Upload notebooks/pipeline_guardrail_northwind.ipynb with huggingface_hub

notebooks/pipeline_guardrail_northwind.ipynb

@@ -0,0 +1,727 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# Pipeline Guardrail + QA sobre PDF — Northwind Traders\n",
+    "> Ollama + LangChain\n",
+    "\n",
+    "Este notebook implementa un **chatbot con guardrail** para Northwind Traders. El sistema:\n",
+    "\n",
+    "1. **Lee el PDF de Northwind** y extrae todo su contenido como texto.\n",
+    "2. **Clasifica cada pregunta** del usuario en una de tres categorias usando un LLM router.\n",
+    "3. **Responde** usando el contenido del PDF si la pregunta es sobre Northwind.\n",
+    "4. **Rechaza** con un mensaje fijo si la pregunta no es relevante (chitchat o fuera de dominio).\n",
+    "\n",
+    "No se usa RAG: el texto completo del PDF se inyecta en el prompt de cada consulta. Esto funciona bien para documentos de tamano moderado y es mas simple de implementar que un pipeline de embeddings.\n",
+    "\n",
+    "## Prerequisitos\n",
+    "\n",
+    "- Ollama instalado y corriendo en `http://localhost:11434`.\n",
+    "- Modelos descargados: `ollama pull llama3.2`\n",
+    "- El archivo PDF de Northwind disponible en el mismo directorio.\n",
+    "\n",
+    "## Arquitectura del pipeline\n",
+    "\n",
+    "```\n",
+    "PDF de Northwind\n",
+    "      |\n",
+    "  PdfReader\n",
+    "      |\n",
+    "  contexto (str completo)\n",
+    "      |\n",
+    "Pregunta del usuario --> ROUTER LLM (temp=0, solo clasifica)\n",
+    "                               |\n",
+    "              +----------------+----------------+\n",
+    "              |                |                |\n",
+    "         northwind_qa    northwind_bd       chitchat\n",
+    "              |                |                |\n",
+    "     ChatPromptTemplate   ChatPromptTemplate  Mensaje fijo\n",
+    "     (system+ctx+human)  (system+ctx+human)  de rechazo\n",
+    "              |                |                |\n",
+    "         ChatOllama        ChatOllama      (sin LLM)\n",
+    "              |                |\n",
+    "         Respuesta         Respuesta\n",
+    "         del PDF           del PDF\n",
+    "```"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 1. Instalacion de Dependencias"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "%pip install langchain langchain-ollama langchain-core langchain-community pypdf --quiet"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 2. Imports y Configuracion"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import re\n",
+    "from pathlib import Path\n",
+    "\n",
+    "# LangChain + Ollama\n",
+    "from langchain_ollama import ChatOllama\n",
+    "from langchain_core.messages import HumanMessage, SystemMessage\n",
+    "from langchain_core.prompts import ChatPromptTemplate\n",
+    "from langchain_core.output_parsers import StrOutputParser\n",
+    "\n",
+    "# PDF\n",
+    "from pypdf import PdfReader\n",
+    "\n",
+    "# Configuracion del entorno\n",
+    "OLLAMA_BASE_URL = \"http://localhost:11434\"\n",
+    "MODEL_NAME      = \"llama3.2\"        # cambia a gemma3:4b o mistral si lo prefieres\n",
+    "PDF_PATH        = \"northwind_info.pdf\"  # ruta al PDF de Northwind\n",
+    "\n",
+    "print(\"Imports correctos\")\n",
+    "print(f\"Modelo  : {MODEL_NAME}\")\n",
+    "print(f\"PDF     : {PDF_PATH}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 3. Lectura del PDF de Northwind\n",
+    "\n",
+    "Se extrae todo el texto del PDF usando pypdf. El contenido completo se almacena como un string y se inyecta en el prompt del sistema para que el LLM responda basandose exclusivamente en el documento.\n",
+    "\n",
+    "No se fragmenta ni se vectoriza el texto: se pasa completo. Esto es suficiente para documentos de hasta ~50 paginas con los modelos actuales de Ollama."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def leer_pdf(pdf_path: str) -> str:\n",
+    "    \"\"\"\n",
+    "    Extrae todo el texto del PDF de Northwind usando pypdf.\n",
+    "    Retorna una cadena con el contenido completo del documento.\n",
+    "\n",
+    "    El texto se usa directamente en el prompt del LLM de QA,\n",
+    "    sin fragmentacion ni vectorizacion (no es RAG).\n",
+    "\n",
+    "    Args:\n",
+    "        pdf_path: Ruta al archivo PDF de Northwind.\n",
+    "\n",
+    "    Returns:\n",
+    "        String con el texto completo del PDF.\n",
+    "\n",
+    "    Raises:\n",
+    "        FileNotFoundError: Si el archivo no existe en la ruta indicada.\n",
+    "    \"\"\"\n",
+    "    path = Path(pdf_path)\n",
+    "    if not path.exists():\n",
+    "        raise FileNotFoundError(\n",
+    "            f\"PDF no encontrado: {pdf_path}\\n\"\n",
+    "            \"Coloca el archivo PDF de Northwind en el mismo directorio que este notebook.\"\n",
+    "        )\n",
+    "\n",
+    "    reader  = PdfReader(pdf_path)\n",
+    "    paginas = []\n",
+    "    for i, page in enumerate(reader.pages):\n",
+    "        texto = page.extract_text() or \"\"\n",
+    "        paginas.append(f\"--- Pagina {i + 1} ---\\n{texto}\")\n",
+    "\n",
+    "    contenido = \"\\n\\n\".join(paginas)\n",
+    "    print(f\"PDF leido: {len(reader.pages)} paginas | {len(contenido):,} caracteres\")\n",
+    "    return contenido\n",
+    "\n",
+    "\n",
+    "# Cargar el PDF de Northwind\n",
+    "contenido_northwind = leer_pdf(PDF_PATH)\n",
+    "\n",
+    "print(\"\\nVista previa del contenido (primeros 600 caracteres):\")\n",
+    "print(\"-\" * 60)\n",
+    "print(contenido_northwind[:600])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 4. Inicializacion de los Modelos LLM\n",
+    "\n",
+    "Se usan dos instancias del mismo modelo con parametros diferentes:\n",
+    "\n",
+    "- `llm_qa`: responde preguntas sobre el contenido del PDF. Temperatura 0.3 para respuestas factuales pero con algo de fluidez.\n",
+    "- `llm_router`: clasifica la pregunta del usuario. Temperatura 0 y pocos tokens porque solo necesita generar una de las tres categorias."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# LLM principal: responde preguntas sobre el PDF de Northwind\n",
+    "llm_qa = ChatOllama(\n",
+    "    model=MODEL_NAME,\n",
+    "    base_url=OLLAMA_BASE_URL,\n",
+    "    temperature=0.3,   # respuestas factuales con algo de fluidez\n",
+    "    num_predict=1024,  # maximo de tokens a generar por respuesta\n",
+    ")\n",
+    "\n",
+    "# LLM del router: solo clasifica, no necesita creatividad\n",
+    "llm_router = ChatOllama(\n",
+    "    model=MODEL_NAME,\n",
+    "    base_url=OLLAMA_BASE_URL,\n",
+    "    temperature=0,    # totalmente determinista para clasificacion estable\n",
+    "    num_predict=20,   # solo necesita generar el nombre de la categoria\n",
+    ")\n",
+    "\n",
+    "# Verificacion de conexion con el servidor de Ollama\n",
+    "print(\"Verificando conexion con el modelo...\")\n",
+    "test = llm_router.invoke([HumanMessage(content=\"Responde solo: OK\")])\n",
+    "print(f\"Modelo listo. Respuesta de prueba: {test.content.strip()[:30]}\")\n",
+    "print(\"LLMs de Ollama inicializadas correctamente\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 5. Router LLM — Guardrail\n",
+    "\n",
+    "El router clasifica cada pregunta del usuario en una de tres categorias antes de procesarla:\n",
+    "\n",
+    "- `northwind_qa`: la pregunta se puede responder con el contenido del PDF (informacion de la empresa, productos, politicas, empleados).\n",
+    "- `northwind_bd`: la pregunta requiere consultar la base de datos Northwind (estadisticas, datos especificos de registros, volumenes).\n",
+    "- `chitchat`: la pregunta no es relevante para Northwind y debe rechazarse.\n",
+    "\n",
+    "El router usa el LLM a temperatura 0 para producir clasificaciones estables y repetibles."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Categorias del router\n",
+    "CATEGORIA_QA       = \"northwind_qa\"    # respondible con el PDF\n",
+    "CATEGORIA_BD       = \"northwind_bd\"    # requiere consultar la base de datos\n",
+    "CATEGORIA_CHITCHAT = \"chitchat\"        # fuera de dominio\n",
+    "\n",
+    "# Prompt del router\n",
+    "# El router solo genera el nombre de la categoria, nada mas\n",
+    "ROUTER_SYSTEM_PROMPT = f\"\"\"\\\n",
+    "Eres un clasificador de preguntas para el asistente de Northwind Traders.\n",
+    "Tu UNICA tarea es clasificar la pregunta del usuario en EXACTAMENTE UNA de estas tres categorias.\n",
+    "Responde SOLO con el nombre de la categoria, sin explicacion adicional.\n",
+    "\n",
+    "CATEGORIA 1: {CATEGORIA_QA}\n",
+    "  La pregunta puede responderse con el documento corporativo de Northwind.\n",
+    "  Incluye: descripcion de la empresa, categorias de productos, proveedores,\n",
+    "  politicas comerciales, informacion de empleados, transportistas,\n",
+    "  preguntas sobre que es Northwind, como funciona, que vende.\n",
+    "\n",
+    "  Ejemplos:\n",
+    "  - \"Que categorias de productos tiene Northwind?\"\n",
+    "  - \"Quienes son los empleados de ventas?\"\n",
+    "  - \"Que transportistas usa Northwind?\"\n",
+    "  - \"Cual es la politica de descuentos?\"\n",
+    "\n",
+    "CATEGORIA 2: {CATEGORIA_BD}\n",
+    "  La pregunta requiere consultar datos numericos o registros especificos\n",
+    "  de la base de datos: conteos, totales, listados de pedidos, estadisticas.\n",
+    "\n",
+    "  Ejemplos:\n",
+    "  - \"Cuantos pedidos tiene QUICK-Stop?\"\n",
+    "  - \"Cual es el producto mas vendido?\"\n",
+    "  - \"Cuantos clientes hay en Alemania?\"\n",
+    "  - \"Que empleado proceso mas ordenes?\"\n",
+    "\n",
+    "CATEGORIA 3: {CATEGORIA_CHITCHAT}\n",
+    "  La pregunta no tiene relacion con Northwind Traders.\n",
+    "\n",
+    "  Ejemplos:\n",
+    "  - \"Como cocinar pasta?\"\n",
+    "  - \"Quien gano el mundial?\"\n",
+    "  - \"Hola, como estas?\"\n",
+    "  - \"Cual es la capital de Francia?\"\n",
+    "\n",
+    "Responde UNICAMENTE con una de estas tres cadenas exactas:\n",
+    "{CATEGORIA_QA} | {CATEGORIA_BD} | {CATEGORIA_CHITCHAT}\n",
+    "\"\"\"\n",
+    "\n",
+    "\n",
+    "def clasificar_pregunta(pregunta: str) -> str:\n",
+    "    \"\"\"\n",
+    "    Clasifica la pregunta del usuario usando el LLM router.\n",
+    "\n",
+    "    Args:\n",
+    "        pregunta: Pregunta del usuario en lenguaje natural.\n",
+    "\n",
+    "    Returns:\n",
+    "        Nombre de la categoria: 'northwind_qa', 'northwind_bd' o 'chitchat'.\n",
+    "    \"\"\"\n",
+    "    messages = [\n",
+    "        SystemMessage(content=ROUTER_SYSTEM_PROMPT),\n",
+    "        HumanMessage(content=pregunta),\n",
+    "    ]\n",
+    "    response   = llm_router.invoke(messages)\n",
+    "    categoria  = response.content.strip().lower()\n",
+    "\n",
+    "    # Normalizar la respuesta al nombre exacto de la categoria\n",
+    "    if CATEGORIA_BD in categoria:\n",
+    "        return CATEGORIA_BD\n",
+    "    if CATEGORIA_QA in categoria or \"northwind\" in categoria:\n",
+    "        return CATEGORIA_QA\n",
+    "    if CATEGORIA_CHITCHAT in categoria:\n",
+    "        return CATEGORIA_CHITCHAT\n",
+    "\n",
+    "    # Fallback conservador: si no esta claro, asumir que es sobre Northwind\n",
+    "    return CATEGORIA_QA\n",
+    "\n",
+    "\n",
+    "# Prueba del router con preguntas de ejemplo\n",
+    "preguntas_prueba = [\n",
+    "    \"Que categorias de productos tiene Northwind?\",\n",
+    "    \"Cuantos pedidos proceso Margaret Peacock?\",\n",
+    "    \"Como se llama la capital de Francia?\",\n",
+    "]\n",
+    "\n",
+    "print(\"Prueba del router:\")\n",
+    "for p in preguntas_prueba:\n",
+    "    cat = clasificar_pregunta(p)\n",
+    "    print(f\"  [{cat:15s}] {p}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 6. Pipeline QA — Respuesta Basada en el PDF\n",
+    "\n",
+    "El prompt de QA inyecta el contenido completo del PDF de Northwind en el mensaje de sistema. El LLM solo puede responder con informacion que este en el documento; si la respuesta no esta, debe decirlo explicitamente."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Prompt del sistema para el nodo de QA\n",
+    "# El marcador {contexto} se reemplaza con el texto completo del PDF al construir la chain\n",
+    "QA_SYSTEM_PROMPT = \"\"\"\\\n",
+    "Eres el asistente virtual de Northwind Traders, empresa especializada en\n",
+    "importacion y exportacion de alimentos y bebidas finas.\n",
+    "\n",
+    "Tienes acceso al documento corporativo de la empresa:\n",
+    "=================================\n",
+    "{contexto}\n",
+    "=================================\n",
+    "\n",
+    "Instrucciones:\n",
+    "- Responde UNICAMENTE con informacion que este en el documento.\n",
+    "- Si la informacion no esta en el documento, di claramente: 'Esta informacion no esta en el documento de Northwind.'\n",
+    "- Responde siempre en espanol.\n",
+    "- Se preciso, profesional y amigable.\n",
+    "- Cita datos concretos del documento cuando sea relevante (precios, nombres, politicas).\n",
+    "\"\"\"\n",
+    "\n",
+    "# Mensaje de rechazo para preguntas de chitchat\n",
+    "MENSAJE_CHITCHAT = (\n",
+    "    \"Lo siento, solo puedo responder preguntas relacionadas con Northwind Traders: \"\n",
+    "    \"productos, empleados, politicas comerciales, pedidos y operaciones de la empresa. \"\n",
+    "    \"Tienes alguna pregunta sobre Northwind?\"\n",
+    ")\n",
+    "\n",
+    "# Mensaje para redirigir a la base de datos\n",
+    "MENSAJE_BD = (\n",
+    "    \"Esta pregunta requiere consultar datos especificos de la base de datos de Northwind. \"\n",
+    "    \"Para ese tipo de consultas, usa el notebook de pipeline agentico Text-to-SQL \"\n",
+    "    \"que puede ejecutar queries directamente sobre la base de datos.\"\n",
+    ")\n",
+    "\n",
+    "\n",
+    "def construir_chain_qa(contexto: str):\n",
+    "    \"\"\"\n",
+    "    Construye la chain de QA con el contexto del PDF de Northwind.\n",
+    "\n",
+    "    El contexto se inyecta una sola vez al construir el prompt,\n",
+    "    no en cada invocacion, lo que es mas eficiente.\n",
+    "\n",
+    "    Args:\n",
+    "        contexto: Texto completo del PDF de Northwind.\n",
+    "\n",
+    "    Returns:\n",
+    "        Tuple (chain, contexto) lista para usar en el pipeline.\n",
+    "    \"\"\"\n",
+    "    prompt = ChatPromptTemplate.from_messages([\n",
+    "        (\"system\", QA_SYSTEM_PROMPT.format(contexto=contexto)),\n",
+    "        (\"human\",  \"{pregunta}\"),\n",
+    "    ])\n",
+    "    # Chain: prompt -> LLM de QA -> extraccion de texto\n",
+    "    chain = prompt | llm_qa | StrOutputParser()\n",
+    "    return chain, contexto\n",
+    "\n",
+    "\n",
+    "# Construir la chain con el contenido del PDF ya cargado\n",
+    "chain_qa, ctx = construir_chain_qa(contenido_northwind)\n",
+    "print(\"Chain QA construida con el contexto del PDF de Northwind\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 7. Funcion Principal del Pipeline\n",
+    "\n",
+    "La funcion `responder` integra el router y el pipeline QA. Primero clasifica la pregunta y luego decide que hacer con ella."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def responder(pregunta: str, chain, contexto: str) -> dict:\n",
+    "    \"\"\"\n",
+    "    Pipeline completo: clasifica la pregunta y genera la respuesta.\n",
+    "\n",
+    "    Flujo:\n",
+    "    1. El router LLM clasifica la pregunta.\n",
+    "    2. Si es northwind_qa: el LLM de QA responde usando el PDF.\n",
+    "    3. Si es northwind_bd: se devuelve un mensaje indicando usar el Text-to-SQL.\n",
+    "    4. Si es chitchat: se devuelve el mensaje de rechazo sin llamar al LLM.\n",
+    "\n",
+    "    Args:\n",
+    "        pregunta:  Pregunta del usuario.\n",
+    "        chain:     Chain QA construida con el contexto del PDF.\n",
+    "        contexto:  Texto completo del PDF (no se usa en este flujo, por compatibilidad).\n",
+    "\n",
+    "    Returns:\n",
+    "        Diccionario con 'pregunta', 'categoria' y 'respuesta'.\n",
+    "    \"\"\"\n",
+    "    # Paso 1: clasificar la pregunta\n",
+    "    categoria = clasificar_pregunta(pregunta)\n",
+    "    print(f\"[router] '{pregunta[:60]}...' -> {categoria}\")\n",
+    "\n",
+    "    # Paso 2: generar la respuesta segun la categoria\n",
+    "    if categoria == CATEGORIA_QA:\n",
+    "        respuesta = chain.invoke({\"pregunta\": pregunta})\n",
+    "    elif categoria == CATEGORIA_BD:\n",
+    "        respuesta = MENSAJE_BD\n",
+    "    else:  # chitchat\n",
+    "        respuesta = MENSAJE_CHITCHAT\n",
+    "\n",
+    "    return {\n",
+    "        \"pregunta\":  pregunta,\n",
+    "        \"categoria\": categoria,\n",
+    "        \"respuesta\": respuesta,\n",
+    "    }"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 8. Ejemplos de Preguntas sobre Northwind"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ejemplo 1: pregunta sobre el contenido del PDF (categoria northwind_qa)\n",
+    "r1 = responder(\n",
+    "    \"Cuales son las categorias de productos de Northwind Traders?\",\n",
+    "    chain_qa, ctx\n",
+    ")\n",
+    "print(f\"\\nCategoria : {r1['categoria']}\")\n",
+    "print(f\"Respuesta : {r1['respuesta']}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ejemplo 2: pregunta sobre empleados (categoria northwind_qa)\n",
+    "r2 = responder(\n",
+    "    \"Quienes son los empleados del equipo de ventas de Northwind?\",\n",
+    "    chain_qa, ctx\n",
+    ")\n",
+    "print(f\"\\nCategoria : {r2['categoria']}\")\n",
+    "print(f\"Respuesta : {r2['respuesta']}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ejemplo 3: pregunta sobre transportistas (categoria northwind_qa)\n",
+    "r3 = responder(\n",
+    "    \"Que transportistas usa Northwind para los envios?\",\n",
+    "    chain_qa, ctx\n",
+    ")\n",
+    "print(f\"\\nCategoria : {r3['categoria']}\")\n",
+    "print(f\"Respuesta : {r3['respuesta']}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ejemplo 4: pregunta que requiere la base de datos (categoria northwind_bd)\n",
+    "r4 = responder(\n",
+    "    \"Cuantos pedidos tiene el cliente QUICK-Stop en la base de datos?\",\n",
+    "    chain_qa, ctx\n",
+    ")\n",
+    "print(f\"\\nCategoria : {r4['categoria']}\")\n",
+    "print(f\"Respuesta : {r4['respuesta']}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ejemplo 5: pregunta de chitchat (categoria chitchat)\n",
+    "r5 = responder(\n",
+    "    \"Como se prepara una buena pasta carbonara?\",\n",
+    "    chain_qa, ctx\n",
+    ")\n",
+    "print(f\"\\nCategoria : {r5['categoria']}\")\n",
+    "print(f\"Respuesta : {r5['respuesta']}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ejemplo 6: pregunta sobre politica comercial (categoria northwind_qa)\n",
+    "r6 = responder(\n",
+    "    \"Que politica de descuentos tiene Northwind para sus clientes?\",\n",
+    "    chain_qa, ctx\n",
+    ")\n",
+    "print(f\"\\nCategoria : {r6['categoria']}\")\n",
+    "print(f\"Respuesta : {r6['respuesta']}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 9. Evaluacion en Batch\n",
+    "\n",
+    "Procesamos un conjunto de preguntas de prueba en batch para evaluar la precision del router y la calidad de las respuestas. Util para comparar modelos o ajustar el prompt del router."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import pandas as pd\n",
+    "\n",
+    "# Conjunto de preguntas de prueba con categoria esperada\n",
+    "preguntas_evaluacion = [\n",
+    "    # Northwind QA (respondibles con el PDF)\n",
+    "    {\"pregunta\": \"Que es Northwind Traders?\",                               \"esperado\": CATEGORIA_QA},\n",
+    "    {\"pregunta\": \"Cuales son los productos de la categoria Seafood?\",        \"esperado\": CATEGORIA_QA},\n",
+    "    {\"pregunta\": \"Quien es Andrew Fuller en Northwind?\",                     \"esperado\": CATEGORIA_QA},\n",
+    "    {\"pregunta\": \"Que paises son clientes de Northwind?\",                    \"esperado\": CATEGORIA_QA},\n",
+    "    {\"pregunta\": \"Cuanto cuesta el Cote de Blaye?\",                          \"esperado\": CATEGORIA_QA},\n",
+    "    # Northwind BD (requieren consultar la base de datos)\n",
+    "    {\"pregunta\": \"Cual es el total de revenue de Northwind este anio?\",      \"esperado\": CATEGORIA_BD},\n",
+    "    {\"pregunta\": \"Cuantos clientes hay en total en la base de datos?\",        \"esperado\": CATEGORIA_BD},\n",
+    "    {\"pregunta\": \"Que empleado tiene mas ordenes procesadas?\",                \"esperado\": CATEGORIA_BD},\n",
+    "    # Chitchat (fuera de dominio)\n",
+    "    {\"pregunta\": \"Cuantos gramos tiene un kilogramo?\",                        \"esperado\": CATEGORIA_CHITCHAT},\n",
+    "    {\"pregunta\": \"Recomiendame una pelicula de ciencia ficcion\",              \"esperado\": CATEGORIA_CHITCHAT},\n",
+    "    {\"pregunta\": \"Como esta el clima en Madrid hoy?\",                         \"esperado\": CATEGORIA_CHITCHAT},\n",
+    "]\n",
+    "\n",
+    "# Ejecutar el router en cada pregunta\n",
+    "resultados = []\n",
+    "for item in preguntas_evaluacion:\n",
+    "    categoria_real = clasificar_pregunta(item[\"pregunta\"])\n",
+    "    resultados.append({\n",
+    "        \"pregunta\":  item[\"pregunta\"],\n",
+    "        \"esperado\":  item[\"esperado\"],\n",
+    "        \"obtenido\":  categoria_real,\n",
+    "        \"correcto\":  categoria_real == item[\"esperado\"],\n",
+    "    })\n",
+    "\n",
+    "df_eval = pd.DataFrame(resultados)\n",
+    "precision = df_eval[\"correcto\"].mean() * 100\n",
+    "\n",
+    "print(f\"\\nPrecision del router: {precision:.1f}%\")\n",
+    "print(\"-\" * 70)\n",
+    "df_eval"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Resumen de resultados de la evaluacion\n",
+    "print(\"\\nResumen del pipeline Northwind QA\")\n",
+    "print(\"=\" * 50)\n",
+    "print(f\"  Total preguntas evaluadas  : {len(resultados)}\")\n",
+    "print(f\"  Clasificadas correctamente : {df_eval['correcto'].sum()}\")\n",
+    "print(f\"  Precision del router       : {precision:.1f}%\")\n",
+    "print(f\"  Modelo usado               : {MODEL_NAME} (Ollama local)\")\n",
+    "print(f\"  PDF fuente                 : {PDF_PATH}\")\n",
+    "print(f\"  Caracteres en el PDF       : {len(contenido_northwind):,}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 10. Modo Interactivo — Chat en Bucle"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def chat_interactivo() -> None:\n",
+    "    \"\"\"\n",
+    "    Modo chat interactivo para el asistente de Northwind Traders.\n",
+    "    Escribe 'salir' para terminar la sesion.\n",
+    "    Usa el pipeline completo (router + QA) en cada mensaje.\n",
+    "    \"\"\"\n",
+    "    print(\"\\nAsistente Northwind Traders (Ollama local)\")\n",
+    "    print(f\"Modelo : {MODEL_NAME}\")\n",
+    "    print(\"Escribe 'salir' para terminar.\\n\")\n",
+    "\n",
+    "    while True:\n",
+    "        try:\n",
+    "            pregunta = input(\"Tu: \").strip()\n",
+    "        except (EOFError, KeyboardInterrupt):\n",
+    "            print(\"\\nHasta luego.\")\n",
+    "            break\n",
+    "\n",
+    "        if not pregunta:\n",
+    "            continue\n",
+    "        if pregunta.lower() in (\"salir\", \"exit\", \"quit\", \"q\"):\n",
+    "            print(\"Hasta luego.\")\n",
+    "            break\n",
+    "\n",
+    "        r = responder(pregunta, chain_qa, ctx)\n",
+    "        print(f\"\\nAsistente [{r['categoria']}]: {r['respuesta']}\\n\")\n",
+    "\n",
+    "\n",
+    "# Descomenta para iniciar el chat interactivo:\n",
+    "# chat_interactivo()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 11. Cambiar de Modelo en Caliente\n",
+    "\n",
+    "Puedes comparar distintos modelos de Ollama sin reiniciar el notebook. Util para evaluar si llama3.2 vs mistral vs qwen2.5 da mejores respuestas sobre el PDF de Northwind."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def cambiar_modelo(nuevo_modelo: str) -> None:\n",
+    "    \"\"\"\n",
+    "    Recrea los LLMs con un modelo diferente y reconstruye la chain QA.\n",
+    "    Util para comparar modelos de Ollama sin reiniciar el notebook.\n",
+    "\n",
+    "    Args:\n",
+    "        nuevo_modelo: Nombre del modelo en Ollama (ej: 'mistral', 'qwen2.5', 'llama3.1').\n",
+    "    \"\"\"\n",
+    "    global llm_qa, llm_router, chain_qa, ctx, MODEL_NAME\n",
+    "\n",
+    "    MODEL_NAME = nuevo_modelo\n",
+    "    llm_qa = ChatOllama(\n",
+    "        model=MODEL_NAME, base_url=OLLAMA_BASE_URL,\n",
+    "        temperature=0.3, num_predict=1024,\n",
+    "    )\n",
+    "    llm_router = ChatOllama(\n",
+    "        model=MODEL_NAME, base_url=OLLAMA_BASE_URL,\n",
+    "        temperature=0, num_predict=20,\n",
+    "    )\n",
+    "    chain_qa, ctx = construir_chain_qa(contenido_northwind)\n",
+    "    print(f\"Modelo cambiado a: {MODEL_NAME}\")\n",
+    "\n",
+    "\n",
+    "# Ejemplos de uso (descomenta el modelo que quieras probar):\n",
+    "# cambiar_modelo(\"mistral\")\n",
+    "# cambiar_modelo(\"qwen2.5\")\n",
+    "# cambiar_modelo(\"llama3.1\")\n",
+    "print(\"Funcion cambiar_modelo disponible\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Resumen\n",
+    "\n",
+    "En este notebook construimos un chatbot con guardrail para Northwind Traders usando Ollama y LangChain.\n",
+    "\n",
+    "El pipeline tiene tres componentes: el `leer_pdf` extrae el texto completo del PDF de Northwind y lo almacena como string; el router LLM clasifica cada pregunta en `northwind_qa`, `northwind_bd` o `chitchat` usando temperatura 0; y el pipeline QA inyecta el texto del PDF directamente en el prompt del sistema y genera respuestas basadas exclusivamente en el documento.\n",
+    "\n",
+    "La diferencia con RAG es que no se fragmenta ni vectoriza el PDF: el texto completo va en el prompt. Esto es mas simple y suficiente para documentos de tamano moderado. Para PDFs muy grandes (mas de 100 paginas) se recomienda usar un pipeline RAG con embeddings y recuperacion por similitud.\n",
+    "\n",
+    "Para consultas que requieren datos numericos de la base de datos, el router redirige al pipeline agentico Text-to-SQL del notebook anterior."
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "name": "python",
+   "version": "3.9.0"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}