HARI - Human-Augmented Resource Intelligence

Proyecto Capstone - Curso Desarrollador 10x

Instituto de Inteligencia Artificial (IIA)

---

1. Información del Proyecto

• Título: HARI (Human-Augmented Resource Intelligence)
• Concepto Central: Segundo cerebro digital y Asistente Agéntico para la gestión inteligente del conocimiento.
• Autores:
  • Jorge Gutierrez - LinkedIn
  • Juan Antonio Casado - LinkedIn
• Video de Demostración: Ver en YouTube
• Repositorio: https://github.com/BothRocks/hari2

---

2. Resumen Ejecutivo

HARI es un sistema de RAG Agéntico (Retrieval-Augmented Generation) diseñado para transformar la sobrecarga de información desestructurada (URLs, PDFs, conversaciones de chat) en conocimiento accionable.

A diferencia de los sistemas RAG tradicionales que son pasivos y estáticos, HARI implementa un ciclo cognitivo capaz de razonar sobre su propio conocimiento, determinando de forma autónoma si posee la información suficiente para responder o si debe investigar en fuentes externas para completar la respuesta.

3. Problemática

Los profesionales modernos enfrentan una dispersión masiva de datos y lo que denominamos "amnesia corporativa":

• Información valiosa compartida en canales informales (Telegram/Slack) se pierde.
• Documentos extensos en Google Drive son costosos de recuperar y procesar.
• Los sistemas RAG tradicionales fallan (alucinan o dan respuestas vacías) cuando la información no está en su base de datos local.

4. Objetivos del Proyecto

1. Eliminar la amnesia corporativa: Centralizar y procesar información de múltiples fuentes (Web, PDF, Drive, Chat).
2. Superar las limitaciones del RAG estático: Implementar una arquitectura agéntica capaz de búsqueda externa.
3. Optimización de costes: Reducir drásticamente el consumo de tokens mediante un pipeline de ingesta inteligente (resumen extractivo previo a la síntesis).
4. Accesibilidad ubicua: Interacción multiplataforma (Web y Bots de mensajería).

---

5. Arquitectura Técnica

5.1 Flujo del Grafo Agéntico (LangGraph)

HARI utiliza una arquitectura basada en grafos de estado para gestionar el razonamiento. El sistema no es una tubería lineal, sino un ciclo de decisión:

1. Nodo Recuperador: Busca en la base de datos vectorial interna (PostgreSQL + pgvector).
2. Nodo Evaluador: Un LLM analiza si la información recuperada es relevante y suficiente.
3. Nodo Router (Toma de Decisión):
   • Si la información es suficiente: Pasa a generación.
   • Si es insuficiente: Activa el Nodo Investigador.
4. Nodo Investigador (Researcher): Utiliza herramientas externas (Tavily Search API o Google Drive) para enriquecer el contexto.
5. Nodo Generador: Sintetiza la respuesta final con citas precisas.

graph TD
    User(Usuario) -->|Pregunta| A[Nodo Orquestador / Estado]
    
    subgraph "Grafo Agéntico (LangGraph)"
        A --> B[Nodo Retrieve]
        B -->|Busca en| DB[(PostgreSQL + pgvector)]
        DB -->|Contexto Interno| B
        
        B --> C[Nodo Evaluator]
        C{¿Información Suficiente?}
        
        C -->|SÍ| D[Nodo Augment & Generate]
        
        C -->|NO| E[Nodo Router]
        E -->|Falta Info| F[Nodo Researcher]
        
        subgraph "Herramientas Externas"
            F -->|Búsqueda Web| G[Tavily API]
            F -->|Búsqueda Drive| H[Google Drive API]
        end
        
        G --> F
        H --> F
        F --> D
    end
    
    D -->|Respuesta Final| User

Loading

5.2 Pipeline de Ingesta Inteligente

Para mantener la eficiencia, HARI procesa los documentos en 7 etapas:

• Adquisición: Captura de contenido desde URL, PDF o Drive.
• Limpieza: Eliminación de ruido y "boilerplate".
• Resumen Extractivo: Uso de algoritmos locales (TextRank) para reducir tokens en un 50-70% sin coste de API.
• Síntesis LLM: Generación de resúmenes estructurados y metadatos con Claude/GPT-4.
• Embeddings: Generación de vectores semánticos (OpenAI text-embedding-3).
• Almacenamiento: Persistencia híbrida en PostgreSQL.

---

6. Stack Tecnológico

El proyecto utiliza las herramientas clave aprendidas en el curso Desarrollador 10x:

• Backend: FastAPI (Python 3.12) - API asíncrona de alto rendimiento.
• Orquestación Agéntica: LangGraph & LangChain - Gestión de estados y ciclos de razonamiento.
• Base de Datos: PostgreSQL + pgvector - Almacenamiento relacional y vectorial.
• LLMs: Claude 3.5 Sonnet (razonamiento principal) y GPT-4o (fallback y tareas específicas).
• Herramientas de Agente: Tavily (Búsqueda Web), Google Drive API.
• Frontend: React + Tailwind CSS (Vite) - Interfaz moderna y responsive.
• Integraciones: Webhooks para bots de Telegram y Slack.
• Gestión de Dependencias: uv para una gestión ultrarrápida de paquetes Python.

---

7. Instalación y Configuración

Requisitos Previos

• PostgreSQL 15+ con la extensión pgvector.
• Python 3.11+ instalado.
• Node.js 18+.

Configuración del Backend

cd backend
cp .env.example .env  # Configura tus claves de API (OpenAI, Anthropic, Tavily)
uv sync
uv run alembic upgrade head

Configuración del Frontend

cd frontend
npm install

Ejecución

1. Servidor Backend: cd backend && uv run uvicorn app.main:app --reload
2. Servidor Frontend: cd frontend && npm run dev

Accede a http://localhost:5173 para empezar a usar HARI.

---

8. Valor Diferencial

HARI no es solo un chat con documentos; es un sistema autónomo:

• Sabe lo que no sabe: No inventa respuestas si no tiene datos, los busca.
• Eficiencia Real: Ahorro del 95% en costes de ingesta mediante pre-procesamiento local.
• Arquitectura Headless: La inteligencia reside en la API, permitiendo usarla desde la web, Telegram, Slack o cualquier otro canal.

---

Licencia

Este proyecto es parte del Capstone del curso Desarrollador 10x. Licencia MIT.