Repolode
Enviar
mfmezger

mfmezger/conversational-agent-langchain

Backend FastAPI para un agente conversacional RAG que indexa documentos en Qdrant, realiza búsquedas semánticas e híbridas y responde preguntas con LLM.

Ver en GitHub
Estrellas
257
Forks
44
Issues abiertos
9
Último commit
hace 7 días

¿Qué es?

Este proyecto es un backend REST para un agente de chat con generación aumentada por recuperación (RAG). Permite indexar documentos en la base de datos vectorial Qdrant, buscarlos semánticamente y responder preguntas basándose en ellos. El pipeline está desarrollado con LangChain y LangGraph, y puede llamar a modelos de Google Gemini, Cohere, Azure OpenAI y otros proveedores, con LiteLLM para acceder a una amplia variedad de backends.

El backend ofrece un endpoint /rag con metadatos de citas, además de los endpoints /v1/chat/completions y /v1/responses, compatibles con OpenAI y con streaming para solicitudes de solo texto. La recuperación se puede mejorar con reranking mediante Cohere o la biblioteca local FlashRank, y la búsqueda híbrida usa BM25 a través de FastEmbed. El trazado de Phoenix registra las ejecuciones del pipeline para que puedas inspeccionar los documentos recuperados y los pasos de generación.

El repositorio incluye Docker Compose para la API, Qdrant, una interfaz de Streamlit y Phoenix, además de scripts para cargar datos de demostración y una suite de pruebas.

Funciones clave

  • 01Indexa documentos en Qdrant y realiza búsquedas semánticas e híbridas (BM25).
  • 02Responde preguntas sobre documentos con LLM mediante LangGraph y LiteLLM.
  • 03Ofrece endpoints de chat completions y responses compatibles con OpenAI y con streaming.
  • 04Permite aplicar reranking con Cohere o FlashRank en local.
  • 05Ofrece trazado con Phoenix para inspeccionar los pasos de recuperación y generación.

Casos de uso

  • Crear un backend de preguntas y respuestas sobre documentos a partir de tus propios archivos.
  • Crear prototipos de un servicio de chat RAG con modelos de Gemini, Cohere u Ollama.
  • Conectar un cliente del SDK de OpenAI a un alias privado de modelo basado en documentos.
  • Aprender a estructurar una aplicación RAG con FastAPI y LangGraph.

Inicio rápido

  1. 1

    Clona el repositorio

    git clone https://github.com/mfmezger/conversational-agent-langchain.git
  2. 2

    Entra en el directorio del proyecto

    cd conversational-agent-langchain
  3. 3

    Crea un archivo .env a partir de template.env y configura GEMINI_API_KEY y COHERE_API_KEY

  4. 4

    Inicia todo el sistema con Docker Compose

    docker compose up -d

Antes de usarlo

  • Para ejecutarlo directamente, se necesitan claves de API de Google Gemini y Cohere.
  • La configuración requiere Docker y una entrada de qdrant en /etc/hosts en Linux o Mac.
  • Algunos proveedores de embeddings son solo marcadores de posición para futuras ampliaciones.

Temas

#rag#fastapi#langchain#langgraph#vector-database#qdrant#semantic-search#llm#ai#cohere

Preguntas frecuentes

¿Qué es conversational-agent-langchain?
Backend FastAPI para un agente conversacional RAG que indexa documentos en Qdrant, realiza búsquedas semánticas e híbridas y responde preguntas con LLM. Este proyecto es un backend REST para un agente de chat con generación aumentada por recuperación (RAG). Permite indexar documentos en la base de datos vectorial Qdrant, buscarlos semánticamente y responder preguntas basándose en ellos. El pipeline está desarrollado con LangChain y LangGraph, y puede llamar a modelos de Google Gemini, Cohere, Azure OpenAI y otros proveedores, con LiteLLM para acceder a una amplia variedad de backends.
¿conversational-agent-langchain es gratuito? ¿Qué licencia tiene?
conversational-agent-langchain es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿conversational-agent-langchain sigue mantenido?
Mantenimiento activo. El último commit de conversational-agent-langchain fue el 30 oct 2026.
¿Para qué puedo usar conversational-agent-langchain?
Crear un backend de preguntas y respuestas sobre documentos a partir de tus propios archivos. Crear prototipos de un servicio de chat RAG con modelos de Gemini, Cohere u Ollama. Conectar un cliente del SDK de OpenAI a un alias privado de modelo basado en documentos. Aprender a estructurar una aplicación RAG con FastAPI y LangGraph.
¿Cómo se instala conversational-agent-langchain?
Clona el repositorio: git clone https://github.com/mfmezger/conversational-agent-langchain.git Entra en el directorio del proyecto: cd conversational-agent-langchain Crea un archivo .env a partir de template.env y configura GEMINI_API_KEY y COHERE_API_KEY Inicia todo el sistema con Docker Compose: docker compose up -d
¿Dónde consigo conversational-agent-langchain?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/mfmezger/conversational-agent-langchain

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados