Administrador de IA - SixManager (Robotito RAG Chatbot)

Este proyecto despliega un ecosistema completo para un Asistente Inteligente basado en RAG (Retrieval-Augmented Generation) con capacidades de captura de Leads. Está compuesto por un Dashboard de Administración (Streamlit) y una API Backend (FastAPI) que sirve un Widget Web (JavaScript) integrable en cualquier página externa.

Características Principales

• Multi-Proveedor de LLMs: Soporte integrado para Gemini, OpenAI y OpenRouter (Claude, etc.).
• Motor RAG Dinámico: Lectura e indexación automática de documentos PDF usando LlamaIndex. Las fuentes consultadas se muestran en las respuestas.
• Panel de Control UI: Un panel en Streamlit para configurar las API Keys, seleccionar los modelos, probar el chat internamente, configurar el aspecto visual del Widget web y gestionar los leads obtenidos.
• Gestión Multi-Sitio Segura: Sistema nativo de API Keys con validación estricta de dominios permitidos (CORS) para integrar el widget en múltiples webs cliente bloqueando usos no autorizados.
• Analíticas Avanzadas: Métricas gerenciales sobre la tasa de abandono, aprobación de usuarios, intención de compra y detecciones de Jailbreaks, filtrables con calendarios de rango de fechas.
• Widget Web Embebible: Un script widget.js configurable (Streaming mode, diseño Premium de cristal, renderizado Markdown) que permite inyectar el asistente en cualquier sitio externo usando un simple <script>.
• Captura de Leads y Cumplimiento Legal: Detecta automáticamente la intención de compra del usuario (o usando el flag [TRIGGER_LEAD_MODAL]) y despliega un formulario. Incluye casilla de consentimiento acorde a la Ley 19.628 (Chile) y sistema de Captcha para evitar spam.
• Seguridad Robusta: Incluye filtros activos contra inyecciones de prompts (Jailbreaks) y protección de identidad corporativa inquebrantable.
• Base de Datos Local: Almacena las conversaciones y recopila los prospectos comerciales de forma estructurada en SQLite local (conversations.db).
• Preparado para Producción: Despliegue empaquetado y orquestado mediante Docker Compose para garantizar portabilidad.

Requisitos Previos

• Docker y Docker Compose instalados en el servidor o equipo local.
• Claves de API de los servicios de IA que desees utilizar (Google AI Studio, OpenAI, o OpenRouter).

Estructura del Proyecto

├── .env.example         # Plantilla de variables de entorno (Copiar a .env)
├── Dockerfile           # Imagen Docker base para la API y la UI
├── docker-compose.yml   # Orquestación de los contenedores
├── app.py               # Dashboard administrativo (Streamlit)
├── api.py               # Servidor Backend RAG (FastAPI)
├── config/              # Almacena el archivo config.json (persistencia de configuración UI)
├── src/
│   ├── baseConocimiento/ # Carpeta donde deben ir los archivos PDF de tu empresa
│   └── engine.py        # Inicialización del motor LLM y de Embeddings
├── static/
│   └── widget.js        # Código fuente del botón asistente para webs externas
└── wipe_config.py       # Script de utilidad para limpiar las API Keys de la configuración local

Guía de Instalación y Despliegue Rápido

Despliegue por Etapas Recomendado

Si quieres dejar el sistema montado antes de configurar modelos, embeddings o documentos, puedes hacer primero una etapa de bootstrap de despliegue:

chmod +x deploy.sh
./deploy.sh --bootstrap-only --prod

Eso deja levantados los servicios, la persistencia básica y el widget listo para integrarse, pero sin intentar inicializar todavía el motor RAG.

1. Preparar las Variables de Entorno

Clona el repositorio y duplica el archivo .env.example renombrándolo como .env.

cp .env.example .env

Abre el archivo .env y rellena las API Keys que vayas a usar.

Important

Define la variable ADMIN_PASSWORD en el .env. Por defecto es admin123. Esta será la clave para acceder al Dashboard administrativo.

También puedes definir el ALLOWED_ORIGINS para controlar qué dominios web pueden renderizar el widget.

2. Proveer el Conocimiento (Lectura de Documentos)

Coloca todos los archivos PDF con la información, catálogos, y normativas de la empresa dentro de la carpeta src/baseConocimiento/. El sistema los leerá en el arranque o al guardar los cambios desde el Dashboard.

3. Levantar los Servicios

Opción A: Despliegue Manual (Docker Compose)

Ejecuta el siguiente comando en la raíz del proyecto para crear la imagen y levantar los contenedores:

docker compose up -d --build

Esto levantará dos contenedores:

1. robotito_chatbot_ui (Puerto 8501)
2. robotito_chatbot_api (Puerto 8000)

Opción B: Script de Despliegue Automatizado (Recomendado)

Si prefieres una configuración guiada que gestione automáticamente el archivo .env, las API Keys y los puertos, puedes usar el script incluido:

chmod +x deploy.sh
./deploy.sh

Este script se encarga de verificar dependencias, crear el archivo .env con contraseñas seguras, solicitarte las llaves de IA de forma interactiva y levantar los servicios por ti.

Para un despliegue base sin llaves ni documentos, usa:

./deploy.sh --bootstrap-only --prod

4. Acceder al Panel de Control

Una vez que los contenedores estén corriendo, abre tu navegador web y dirígete a: 👉 http://localhost:8501 (o la IP de tu servidor seguida del puerto 8501).

Desde el panel, dirígete a "Configuración de LLM", confirma los proveedores deseados y presiona el botón "Guardar Configuración Global y Aplicar Cambios" para que el RAG procese los PDFs recarguen la configuración de los modelos.

Nota: ¡El chat y el Widget no funcionarán hasta que guardes la configuración en el panel por primera vez!

Manuales Adicionales

Para entender más a fondo la operación y despliegue del proyecto, dirígete a las siguientes guías:

• Manual de Usuario (MANUAL_USUARIO.md): Guía detallada sobre cómo operar el panel administrativo, modificar configuraciones del bot, usar el chat de prueba y descargar los Leads.
• Manual de Implementación del Widget (MANUAL_IMPLEMENTACION.md): Instrucciones paso a paso para desarrolladores sobre cómo incrustar y personalizar el widget inteligente en páginas web externas.