MEMORIA-RAG

Este es el repositorio oficial del código fuente desarrollado en el video "memorIA INFINITA: Procesa 2GB+ de Documentos con RAG y Python (Sin Alucinaciones)".

📺 Ver el Tutorial Completo en YouTube

Sistema de Retrieval-Augmented Generation (RAG) diseñado para manejar grandes volúmenes de datos (2GB+) usando la API de Google Gemini y ChromaDB como base de datos vectorial.

Problema que resuelve

• Ventana de contexto limitada: Los LLMs tienen límites de tokens (32K, 128K). 2GB de texto equivale a ~500M tokens, imposible de procesar directamente. RAG almacena los datos en una base de datos vectorial y recupera solo los fragmentos relevantes.
• Alucinaciones: Evita que el LLM invente información forzando las respuestas a basarse en documentos recuperados con citas de fuentes.

Arquitectura

Fase de indexación:
  Carga de documentos → Fragmentación → Generación de embeddings → Almacenamiento en ChromaDB

Fase de consulta:
  Pregunta del usuario → Embedding de consulta → Búsqueda vectorial → Generación de respuesta + Citas

Requisitos

• Python 3.10+
• Una API Key de Google Gemini

Instalación

# Clonar el repositorio
git clone <url-del-repositorio>
cd memoria-rag

# Instalar dependencias
pip install -r requirements.txt

# Configurar la API Key
cp .env.example .env
# Editar .env y añadir tu GEMINI_API_KEY

Uso

Uso básico

from memoria_rag import MemoriaRAG

# Inicializar
rag = MemoriaRAG(api_key="tu-api-key")

# Indexar documentos (una sola vez)
rag.ingest("./documentos/")

# Consultar
response = rag.query("¿Cuál es el procedimiento?")
print(response['answer'])
for source in response['sources']:
    print(f"Fuente: {source['filename']}")

Modo interactivo

python ejemplo_uso.py

Comandos disponibles en modo interactivo:

Comando	Descripción
stats	Ver estadísticas del índice
buscar: <consulta>	Buscar sin generar respuesta
indexar: <ruta>	Indexar nuevos documentos
salir	Salir del modo interactivo

Formatos soportados

• Texto plano: .txt, .md, .csv, .log, .json, .xml
• PDF (extracción página a página)
• Word (.docx)
• Excel (.xlsx)
• HTML

Configuración

Los parámetros se pueden ajustar a través de RAGConfig:

Parámetro	Valor por defecto	Descripción
embedding_model	models/text-embedding-004	Modelo de embeddings de Gemini
generation_model	gemini-2.5-flash	Modelo de generación de respuestas
chunk_size	1000	Tamaño de fragmento en caracteres
chunk_overlap	200	Solapamiento entre fragmentos
top_k	5	Fragmentos recuperados por consulta
similarity_threshold	0.7	Umbral mínimo de relevancia
persist_directory	./chroma_db	Directorio de almacenamiento de ChromaDB
batch_size	100	Documentos por lote de procesamiento

Estructura del proyecto

memoria-rag/
├── memoria_rag.py       # Implementación principal
├── ejemplo_uso.py       # Ejemplo de uso con modo interactivo
├── requirements.txt     # Dependencias
└── .env.example         # Plantilla de configuración

Autor

Joaquín Ruiz - Febrero 2026