---
title: RAG QA System
emoji: 🤖
colorFrom: indigo
colorTo: blue
sdk: gradio
sdk_version: "6.9.0"
app_file: app.py
pinned: false
---

# RAG Question Answering System

Sistema de preguntas y respuestas basado en **Retrieval-Augmented Generation (RAG)** que utiliza una pequeña base de conocimiento en inglés almacenada en `documents.json`.

La aplicación permite realizar preguntas en inglés y obtiene la respuesta utilizando:

- Recuperación de documentos relevantes mediante embeddings.
- Generación de respuesta usando un modelo de lenguaje.
- Una interfaz web interactiva desarrollada con **Gradio**.

---

# Estructura del proyecto

```text
app.py
rag_engine.py
documents.json
requirements.txt
README.md
/tests
    test_api.py
```

**Descripción de los archivos:**

- **app.py** → interfaz web construida con Gradio.
- **rag_engine.py** → lógica del sistema RAG (recuperación de documentos y generación de respuestas).
- **documents.json** → base de conocimiento usada por el chatbot.
- **requirements.txt** → dependencias necesarias para ejecutar el proyecto.
- **tests/test_api.py** → script para probar la API del sistema desplegado.

---

# Instalación

Clonar el repositorio o descargar los archivos y crear un entorno virtual.

```bash
python3 -m venv .venv
source .venv/bin/activate
```

Instalar las dependencias:

```bash
pip install -r requirements.txt
```

---

# Ejecución local

Para ejecutar la aplicación localmente:

```bash
python app.py
```

Abrir el navegador en:

```text
http://127.0.0.1:7860
```

Desde la interfaz se pueden realizar preguntas en inglés sobre la base de conocimiento.

---

# Despliegue

La aplicación está desplegada en **Hugging Face Spaces** usando el SDK de **Gradio**.

URL del Space:

```text
https://adrianpalmadev-rag-qa-system.hf.space
```

---

# Uso de la API

El sistema también puede utilizarse mediante la API generada automáticamente por Gradio.

Ejemplo de cliente en Python:

```python
from gradio_client import Client

client = Client("https://adrianpalmadev-rag-qa-system.hf.space")

result = client.predict(
    query="Where is the hospital?",
    top_k=2,
    umbral=0.5,
    api_name="/ask"
)

print(result)
```

Este script devuelve:

- La respuesta generada por el modelo.
- Los documentos recuperados utilizados como contexto.

---

# Tecnologías utilizadas

- Python
- Transformers
- Sentence Transformers
- Scikit-learn
- Gradio
- Hugging Face Spaces