Inicio / Casos / cases/12-python-to-rag/README.md

🧩 Caso 12: 🧠 Python (LLM) → 🌉 n8n → ⚡ FastAPI RAG + pgvector#

Pipeline RAG (Retrieval-Augmented Generation) a nivel de infraestructura: cada post se convierte en un embedding y se indexa en pgvector; el endpoint /search recupera los posts más parecidos a una consulta por similitud coseno — el paso retrieval que alimentaría a un LLM.

🏗️ Arquitectura del Flujo#

1. 📤 Origen — origin/bot.py: emisor Python (stdlib urllib) que reenvía los posts vencidos a n8n.
2. 🌉 Puente — n8n: guardrails canónicos (fingerprint → circuit breaker → idempotencia → HTTP con reintentos → DLQ).
3. 📥 Destino — dest/main.py: FastAPI que embebe el texto (vector 256d) y lo persiste en pgvector con INSERT ... ON CONFLICT.
4. 📁 Persistencia — pgvector (PostgreSQL 16 + extensión vector): búsqueda por operador coseno <=>.

Nota

El embedding es una función hashing determinista (bag-of-words → 256d, L2-normalizada): sin descargar modelos ni claves de API. Es un stand-in reproducible; se sustituye por sentence-transformers o un endpoint de embeddings sin tocar el resto del flujo.

🚀 Cómo levantarlo#

docker-compose --profile case12 up -d      # pgvector + receptor FastAPI

• Dashboard del caso (con búsqueda semántica): http://localhost:8092
• Retrieval directo: curl "http://localhost:8092/search?q=embeddings"
• Probar desde el dashboard maestro: http://localhost:8080 → tarjeta CASE-12.

🎯 Objetivos didácticos#

• RAG end-to-end: embed → index → retrieve por similitud coseno.
• pgvector: columnas vector(N) y el operador de distancia <=> en SQL.
• Desacople del modelo: la función de embedding es un punto de extensión aislado.

⚠️ Consideraciones (modelo del laboratorio)#

• Puerto 8092 = 8080 + 12 (regla canónica, ver docs/PORTS.md).
• Bind a 127.0.0.1; el receptor valida id/text (→ HTTP 422).

✅ Estado#

Implementado y verificado (build + boot + health + retrieval). Parte del Lote 2 del roadmap v5.0 → v4.6.