Acuñapedia
Sistema RAG con búsqueda híbrida que responde consultas sobre planes de gobierno a partir de PDFs, artículos de prensa y registros en MySQL.
- Cliente
- Campaña César Acuña
- Año
- 2025 – 2026
- Servicio
- IA y automatización
- Rol
- Desarrollo web colaborativo
- Formato
- Aplicación web
- Estado
- Entregado
Responder consultas sobre planes de gobierno a partir de fuentes dispersas.
La información estaba repartida entre PDFs, artículos de prensa y bases de datos MySQL con registros de prensa y obras. Hacía falta un sistema que respondiera en tiempo real las consultas sobre los planes de gobierno a partir de todas esas fuentes.
Un sistema RAG con búsqueda híbrida.
Acuñapedia integra PDFs, artículos de prensa y registros de MySQL en una base de conocimiento con búsqueda híbrida y un analizador que detecta la intención de cada consulta.
Lo trabajamos en colaboración con Irvin Acuña, autor de la arquitectura base y de la contenerización. Nosotros implementamos las optimizaciones de producción, las funciones avanzadas y el desarrollo continuo del sistema.
Lo que incluye
Búsqueda híbrida
Combina embeddings vectoriales con BM25 y reordena los resultados de forma dinámica.
Analizador de consultas
Detecta la intención y la categoría de cada consulta para ajustar el contexto y la cantidad de resultados que se recuperan.
Sincronización con MySQL
Ingesta automática de los registros de prensa y obras desde bases de datos relacionales.
Stack y arquitectura
- Python
- LangChain
- FAISS
- MySQL
- Next.js 15
- Grok AI 4.1
- Docker
- AWS EC2
- Frontend
- Next.js 15 con respuestas que se muestran a medida que se generan.
- Backend
- Python y LangChain para la ingesta de documentos y el flujo de recuperación y respuesta.
- Datos
- Índice vectorial FAISS combinado con BM25 y sincronización desde MySQL.
- Infraestructura
- Contenedores Docker en AWS EC2, con un despliegue optimizado para CPU.
Lo que resolvimos
Procesamiento de PDFs extensos
Fragmentación adaptativa y procesamiento asíncrono por lotes para evitar errores de memoria en archivos grandes.
Precisión del analizador de consultas
Entrenamiento del analizador para detectar el contexto de forma automática y ajuste dinámico de los pesos de BM25 con datos reales.
Despliegue en CPU
Lotes de 128 y ajustes de hardware para desplegar en EC2 sin depender exclusivamente de GPU.
En detalle
- Fuentes de datos
- 3
- Búsqueda
- Vectorial + BM25
