Proyecto propio · IA aplicada · Retail · MVP
Vende & Aprende
Entender un producto hoy para recomendarlo mejor mañana. Información útil, recomendaciones prácticas y aprendizaje cotidiano en un mismo lugar.
El punto de partida
Tener información no es lo mismo que saber utilizarla.
Con un catálogo amplio y poco tiempo entre clientes, recordar diferencias, conceptos y recomendaciones adecuadas no siempre es sencillo.
Nació de una necesidad que observé trabajando en tienda: la información solo ayuda cuando puedes entenderla y utilizarla. Vende & Aprende investiga productos y prepara fichas estructuradas con explicaciones prácticas, fuentes y conceptos relacionados. Un MVP en evolución pensado para apoyar el criterio de las personas.
La idea puede aplicarse a electrónica, cosmética, perfumería, alimentación, bebidas y comercio especializado. Son aplicaciones potenciales del concepto, no una implantación comercial acreditada en todos esos sectores.
Ir a la parte técnicaDel catálogo a la conversación
Qué hace la aplicación
Encontrar el producto
Catálogo paginado, búsqueda por nombre, marca o EAN y filtros por departamento, categoría y subcategorías opcionales.
Explicarlo con claridad
Fichas estructuradas: qué es, en qué destaca, tres frases de recomendación, respuestas rápidas e información adicional.
Aprender en contexto
Conceptos relacionados y definiciones con evidencias y enlaces a fuentes. Aprendizaje cotidiano al consultar, comprender y aplicar lo aprendido.
Investigar con IA
La investigación web y la generación con IA preparan fichas que quedan almacenadas. El criterio humano sigue siendo necesario para revisar y recomendar.
Revisar y mejorar
Historial de fichas, valoraciones por usuario y versión, reportes de error y regeneración administrativa con motivo. Una regeneración fallida conserva las fichas anteriores.
Gestionar el acceso
Los usuarios aprobados consultan e inician la primera generación. Los administradores mantienen el catálogo, gestionan reportes y regeneran fichas existentes.
Las funciones descritas están respaldadas por el repositorio v1.3.0. Mi instalación con dos ordenadores está en uso; no se acredita aquí el despliegue y la aceptación completos de todos los cambios de esa versión.
Una mirada por dentro
La aplicación, en la práctica
Capturas reales, recortadas y anonimizadas. El contenido de ejemplo muestra la interfaz; las afirmaciones de producto generadas con IA requieren revisión humana.
Por dentro / Decisiones de ingeniería
Para los más frikis
Mantener ágil la consulta. Dar a la investigación y la generación su propio tiempo y espacio.
Mac mini: la aplicación sigue disponible
Aloja la web, la API, RabbitMQ y el dispatcher. Sirve las fichas almacenadas y coordina los trabajos pendientes.
PC Linux: capacidad cuando está disponible
En mi instalación, cuando enciendo mi ordenador principal y entro en Linux, el worker arranca automáticamente y comienza a atender los trabajos de investigación y generación disponibles. Así utilizo el sistema.
Cuando el PC no está disponible, los trabajos pendientes persisten y el Mac mini sigue sirviendo el contenido almacenado. Una nueva generación necesita un worker y un endpoint de IA disponibles; el endpoint puede ser local o remoto.
Una aplicación modular
Vue 3, Vite, TypeScript, Vue Router y Pinia en el frontend. Django 5.2 y Django REST Framework forman un monolito modular para organizaciones, usuarios, catálogo y generación. MongoDB Atlas conserva los datos de negocio, las fichas y su historial.
Trabajos que pueden esperar y recuperarse
Django crea el trabajo y un evento outbox en una transacción. El dispatcher publica su ID en RabbitMQ durable. El worker reclama el trabajo mediante la API, mantiene una reserva con lease y heartbeat y confirma el mensaje después de que Django confirme la persistencia. Reintentos, control de duplicados y checkpoints finales locales permiten recuperarse de fallos.
Investigar antes de generar
Tavily, Brave y SearXNG son proveedores configurables para descubrir fuentes. El worker selecciona resultados relevantes y utiliza Crawl4AI con Chromium cuando necesita más contenido. El endpoint de IA es intercambiable: admite Ollama nativo y una API compatible con OpenAI. La aplicación no arranca ni administra Ollama.
Validación y calidad
Pydantic valida la salida estructurada en el worker y DRF vuelve a validarla antes de persistirla. Fichas versionadas, evidencias, votos y reportes ayudan a seguir las mejoras. Un JSON válido no garantiza exactitud factual: siguen haciendo falta revisión de fuentes y criterio humano.
Qué estoy aprendiendo
Diseñar tareas asíncronas que puedan esperar, recuperarse y entregar resultados útiles sin bloquear la aplicación.
Qué queda fuera de este MVP
No se presentan como implementados un chat libre con IA, cursos, repetición espaciada, algoritmos de aprendizaje por refuerzo, uso offline completo, un escáner EAN ni un SaaS generalista listo para comercializar.