← Todos los proyectos

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.

ArquitecturaLa guía se indexa una vez. En cada pregunta, el modelo decide mediante tool calling si buscar en ella.
    • Guía en PDFTENERIFE.pdf, extraída con PyPDF
    • Chunkinglongitud fija, 200 caracteres de solapamiento
    • Embeddingstext-embedding-3-small
    • ChromaDBpersistida en disco
  1. Entrada

    • Chathistorial de 10 turnos, máx. 1000 caracteres
  2. Orquestación

    • GPT-4.1-minitool calling, máximo 5 rondas
  3. Herramientas

    • search_tenerife_infotop-k fragmentos de ChromaDB
    • get_weatherclima simulado
  4. 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:

  1. Notebook de exploración: extracción del PDF, chunking con solapamiento, embeddings text-embedding-3-small y una colección ChromaDB persistida en disco.
  2. Paquete tenerife_rag: la lógica del notebook refactorizada en módulos (config, vector_store, tools, tool_loop) que se pueden importar y probar por separado.
  3. 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.