RAG Estimation Platform

Plataforma web para estimar presupuestos de proyectos tecnológicos usando RAG (Retrieval-Augmented Generation). Permite ingestar presupuestos históricos, indexarlos con embeddings vectoriales, y generar estimaciones de horas y costes para nuevos proyectos basándose en datos reales.

El sistema consta de dos repositorios independientes:

• rag-estimation-platform (este repo) — Aplicación web Rails para la gestión de estimaciones, exportación PDF/JSON y UI.
• rag-estimation-service — Servicio RAG con FastAPI, pgvector y OpenAI para indexación y estimación con IA.

Arquitectura del sistema

┌─────────────────┐        HTTP (Faraday)        ┌──────────────────────┐
│                 │  ───────────────────────────► │                      │
│   Rails App     │  POST /api/v1/ingest         │   RAG Service        │
│   :3000         │  POST /api/v1/estimate       │   :8000              │
│                 │  POST /api/v1/search         │                      │
│  ┌───────────┐  │  GET  /api/v1/ingest/:id/... │  ┌────────────────┐  │
│  │ SolidQueue│  │  ◄─────────────────────────  │  │ FastAPI        │  │
│  │ Jobs      │  │        JSON responses        │  │ + pgvector     │  │
│  └───────────┘  │                              │  │ + OpenAI API   │  │
│                 │                              │  └────────────────┘  │
└────────┬────────┘                              └──────────┬───────────┘
         │                                                  │
         ▼                                                  ▼
┌─────────────────┐                              ┌──────────────────────┐
│  PostgreSQL 16  │                              │  PostgreSQL 16       │
│  (Rails data)   │                              │  + pgvector          │
│  :5433          │                              │  (embeddings)        │
└─────────────────┘                              │  :5432               │
                                                 └──────────────────────┘

Componente	Stack	Responsabilidad
rag-estimation-platform	Rails 8, PostgreSQL 16, Hotwire (Turbo + Stimulus), Tailwind CSS, SolidQueue	UI web, autenticación, gestión de estimaciones, exportación PDF/JSON
rag-estimation-service	FastAPI, PostgreSQL 16 + pgvector, OpenAI API	Indexación de presupuestos, búsqueda vectorial, estimación de horas con LLM

Requisitos previos

• Ruby 3.4.4
• PostgreSQL 16
• Node.js (para Tailwind CLI — lo instala tailwindcss-rails)
• Python 3.11+ (para el servicio RAG)
• Docker y Docker Compose (alternativa para BD y/o servicio RAG)
• API key de OpenAI (para el servicio RAG)

Setup del servicio RAG (rag-estimation-service)

Se explica primero porque la plataforma Rails depende de él.

Opcion A — Con Docker (recomendado)

cd ../rag-estimation-service
cp .env.example .env
# Editar .env → añadir OPENAI_API_KEY
docker compose up --build

Esto levanta:

• PostgreSQL con pgvector en :5432
• Servicio FastAPI en :8000

Verificar que funciona:

curl http://localhost:8000/api/v1/health

Docs interactivos de la API: http://localhost:8000/docs

Opcion B — Local (sin Docker)

1. Instalar PostgreSQL 16 con la extensión pgvector
2. Crear el entorno e instalar dependencias:

cd ../rag-estimation-service
python -m venv .venv
source .venv/bin/activate
pip install -e ".[dev]"

3. Configurar variables de entorno:

cp .env.example .env
# Editar .env → añadir OPENAI_API_KEY y ajustar DATABASE_URL si es necesario

4. Ejecutar migraciones y arrancar:

alembic upgrade head
uvicorn app.main:app --reload --port 8000

Setup de la plataforma (rag-estimation-platform)

Opcion A — Local (recomendado para desarrollo)

1. Base de datos: necesitas PostgreSQL corriendo. Puedes usar Docker solo para la BD:

docker compose -f docker-compose.dev.yml up db

Esto levanta PostgreSQL en :5433 (para no chocar con el :5432 del servicio RAG).

2. Variables de entorno:

# Crear .env.development (o verificar que existe)
cat .env.development

Debe contener:

DATABASE_URL=postgresql://postgres:postgres@localhost:5433/rag_estimation_platform_development
RAG_SERVICE_BASE_URL=http://localhost:8000

3. Instalar dependencias y preparar la BD:

bin/setup

4. Cargar datos de prueba:

bin/rails db:seed

5. Arrancar la aplicación:

bin/dev

Esto levanta Rails en :3000 + el watcher de Tailwind CSS.

Opcion B — Todo en Docker

docker compose -f docker-compose.dev.yml up --build

Nota: dentro del contenedor, RAG_SERVICE_BASE_URL apunta a http://host.docker.internal:8000 para conectar con el servicio RAG que corre en el host.

Datos de prueba

Los seeds crean datos de ejemplo para probar toda la plataforma:

Recurso	Datos
Usuario demo	demo@lidr.co / password123
Documentos	7 presupuestos de ejemplo (SaaS, e-commerce, fintech, etc.)
Estimaciones	7 estimaciones con bloques funcionales, tareas y referencias

bin/rails db:seed

Como interactuan ambos servicios

Ingesta de presupuestos

1. El usuario sube un JSON en /ingest
2. Rails envia POST /api/v1/ingest al servicio RAG
3. El servicio RAG chunkeriza el presupuesto, genera embeddings (OpenAI), y lo almacena en pgvector
4. IngestionStatusJob en Rails sondea GET /api/v1/ingest/:id/status hasta que completa

Estimacion de proyectos

1. El usuario crea una estimacion y la estructura en bloques/tareas
2. EstimationJob envia POST /api/v1/estimate con la descripcion del proyecto
3. El servicio RAG busca presupuestos similares por vector y genera estimacion de horas con LLM
4. TaskValidationJob envia POST /api/v1/estimate/validate para refinar horas tarea a tarea

Busqueda

1. El usuario busca en /search
2. Rails envia POST /api/v1/search al servicio RAG
3. Devuelve chunks relevantes con score de similaridad

Tests

bin/rails test          # Todos los tests
bin/rails test:system   # Tests de sistema (requiere Chrome/Chromium)

Los tests usan WebMock — no requieren el servicio RAG corriendo. Fixtures en test/fixtures/.

Comandos utiles

Comando	Descripcion
bin/dev	Arranca Rails + Tailwind watcher
bin/rails db:seed	Carga datos de prueba
bin/rails db:migrate	Ejecuta migraciones pendientes
bin/rails routes	Lista todas las rutas
bin/rails test	Ejecuta tests

Variables de entorno

rag-estimation-platform

Variable	Descripcion	Default
DATABASE_URL	PostgreSQL connection string	—
RAG_SERVICE_BASE_URL	URL del servicio RAG	http://localhost:8000

rag-estimation-service (referencia rapida)

Variable	Descripcion	Default
DATABASE_URL	PostgreSQL+asyncpg connection string	—
OPENAI_API_KEY	API key de OpenAI	—
EMBEDDING_MODEL	Modelo de embeddings	text-embedding-3-small
LLM_MODEL	Modelo LLM para estimaciones	gpt-4o
API_KEY	API key del servicio	dev-api-key