4 · 2026
Asistente turístico de Tenerife
Chat sobre una guía turística en PDF. Recupera con ChromaDB, responde con GPT-4.1-mini y tool calling citando la fuente, y ofrece una app en Streamlit montada sobre un paquete Python reutilizable.
- Guía en PDFTENERIFE.pdf, extraída con PyPDF
- Chunkinglongitud fija, 200 caracteres de solapamiento
- Embeddingstext-embedding-3-small
- ChromaDBpersistida en disco
Entrada
- Chathistorial de 10 turnos, máx. 1000 caracteres
Orquestación
- GPT-4.1-minitool calling, máximo 5 rondas
Herramientas
- search_tenerife_infotop-k fragmentos de ChromaDB
- get_weatherclima simulado
Respuesta
- Respuesta con fuenteel modelo redacta con el contexto y cita el chunk
Problema
Responder preguntas sobre turismo en Tenerife usando solo una guía en PDF, de forma que el asistente cite de dónde sale cada dato y diga explícitamente cuándo la guía no lo cubre.
Enfoque
El proyecto pasa por tres etapas, cada una construida sobre la anterior:
- Notebook de exploración: extracción del PDF, chunking con solapamiento, embeddings
text-embedding-3-smally una colección ChromaDB persistida en disco. - Paquete
tenerife_rag: la lógica del notebook refactorizada en módulos (config,vector_store,tools,tool_loop) que se pueden importar y probar por separado. - App en Streamlit: un chat multiturno que reutiliza el paquete y la base ya persistida, sin volver a ingerir el PDF.
Tool calling en lugar de un framework de agentes. El asistente solo necesita dos capacidades:
search_tenerife_info (búsqueda en la guía) y get_weather (un clima simulado). Un bucle propio de como máximo
5 rondas, con argumentos validados contra JSON Schema (strict: true) y un registro de cada ejecución, da más control,
menos latencia y una depuración más simple que añadir LangChain o AutoGen.
Además: temperature 0,2 para pegarse al contexto, historial limitado a 10 turnos, validación de la entrada
(máximo 1000 caracteres) y saneado de la respuesta para quitar los logs técnicos sin perder la atribución de fuentes.
Resultados
- Respuestas basadas en la guía, cada una con su atribución (
Fuente: TENERIFE.pdf (chunk N, score S)), y una negativa explícita cuando el dato no está. - Selección correcta de la herramienta según la pregunta.
- Conversación multiturno coherente: resuelve referencias como “¿y qué se come ahí?” después de hablar del Teide.
- Errores de argumentos capturados sin interrumpir la sesión.
Qué aprendí
Que la mejor arquitectura de agentes a veces es no tenerla. Para dos herramientas y un dominio acotado, un bucle de tool calling explícito es más predecible y barato. Y que un notebook demuestra que algo funciona, pero solo un paquete con fronteras claras permite reutilizarlo.
Queda pendiente, y está documentado como limitación, una evaluación formal (RAGAS o un juez LLM) que mida la faithfulness y la relevancia con números.