AI Engineering - Week 1: RAG Fundamentals

📋 Objetivo del Proyecto

Implementar un sistema básico de RAG (Retrieval-Augmented Generation) usando embeddings y búsqueda semántica.

🚀 Instrucciones

1. Fork este repositorio

Haz click en "Fork" arriba a la derecha para crear tu propia copia.

2. Clona tu fork

git clone https://github.com/TU-USUARIO/mb-python-week-01-test.git
cd mb-python-week-01-test

3. Crea y activa virtual environment

python3 -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

4. Instala dependencias

pip install -r requirements.txt

5. Completa el código

Implementa las funciones en src/main.py siguiendo los comentarios.

6. Prueba localmente

pytest tests/ -v

Todos los tests deben pasar (✅ 10 passed).

7. Push y verifica

git add .
git commit -m "Completar proyecto week 1"
git push origin main

GitHub Actions correrá los tests automáticamente. Verifica que todos pasen (✅ green check).

8. Envía en la plataforma

Copia la URL de tu repo y pégala en la plataforma de Nieva AI para verificación automática.

✅ Criterios de Aprobación

• ✅ Todos los tests deben pasar (100%)
• ✅ El código debe estar bien documentado
• ✅ Debe ser un fork de este template oficial

🧪 Tests Incluidos

calculate_cosine_similarity

• Vectores idénticos → similitud 1.0
• Vectores ortogonales → similitud 0.0
• Vectores opuestos → similitud -1.0
• Test con similitud conocida

find_most_similar

• Encuentra documento idéntico
• Encuentra documento más cercano
• Maneja un solo documento

retrieve_top_k

• Retorna top 3 documentos en orden
• Maneja k > número de documentos
• k=1 se comporta como find_most_similar

📚 Recursos

• NumPy Documentation
• Cosine Similarity Explained
• RAG Introduction

---

¿Tienes dudas? Únete al Discord de Nieva AI.