lista de acciones a seguir
1- PC necesita https://visualstudio.microsoft.com/es/downloads/
específicamente descargar Herramientas de compilación para Visual Studio 2026
2- en anaconda ejecutar los siguientes comandos:
conda create -n ia_proyectos python=3.10 -y
conda activate ia_proyectos
pip install llama-cpp-python
pip install langchain langchain-community langchain-huggingface langchain-chroma pypdf sentence-transformers flask
3- crear ingesta de datos:
import os
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_chroma import Chroma
def generar_base():
path_pdfs = "./mis_documentos"
path_db = "./db_vectorial"
if not os.path.exists(path_pdfs): os.makedirs(path_pdfs)
print("Cargando y fragmentando PDFs...")
documentos = []
# Fragmentos un poco más pequeños para facilitar el procesamiento en CPU
text_splitter = RecursiveCharacterTextSplitter(chunk_size=700, chunk_overlap=100)
for archivo in [f for f in os.listdir(path_pdfs) if f.endswith('.pdf')]:
try:
loader = PyPDFLoader(os.path.join(path_pdfs, archivo))
documentos.extend(text_splitter.split_documents(loader.load()))
print(f" -> {archivo} procesado.")
except Exception as e:
print(f"Error en {archivo}: {e}")
print(f"\nGenerando vectores en '{path_db}' (Usando CPU)...")
# Este modelo es excelente y muy ligero para CPU
model_kwargs = {'device': 'cpu'}
embeddings = HuggingFaceEmbeddings(
model_name="sentence-transformers/all-MiniLM-L6-v2",
model_kwargs=model_kwargs
)
Chroma.from_documents(
documents=documentos,
embedding=embeddings,
persist_directory=path_db
)
print("\n¡ÉXITO! Base vectorial lista en disco.")
if __name__ == "__main__":
generar_base()
4- realizar prueba a la ingesta de datos
from langchain_chroma import Chroma
from langchain_huggingface import HuggingFaceEmbeddings
def realizar_busqueda():
path_db = "./db_vectorial"
# Forzamos el uso de CPU para los embeddings
model_kwargs = {'device': 'cpu'}
embeddings = HuggingFaceEmbeddings(
model_name="sentence-transformers/all-MiniLM-L6-v2",
model_kwargs=model_kwargs
)
vector_db = Chroma(persist_directory=path_db, embedding_function=embeddings)
while True:
pregunta = input("\n🔎 Consulta (o 'salir'): ")
if pregunta.lower() == 'salir': break
# Buscamos los 3 fragmentos más relevantes
resultados = vector_db.similarity_search_with_relevance_scores(pregunta, k=3)
if not resultados:
print("No se encontró información relacionada.")
continue
print("\nTOP 3 FRAGMENTOS ENCONTRADOS:")
print("="*60)
for i, (doc, score) in enumerate(resultados):
print(f"FUENTE {i+1} | Relevancia: {round(score * 100, 2)}%")
print(f"ARCHIVO: {doc.metadata.get('source')}")
print(f"CONTENIDO: {doc.page_content[:400]}...")
print("-" * 60)
if __name__ == "__main__":
realizar_busqueda()
