🎯 SQUIT - "SQL Quit"

Democratizando Código Legacy con IA

"SQL Quit" - Libérate del código SQL críptico y mal documentado.
Convierte millones de líneas de código legacy en conocimiento accesible mediante IA.

SQUIT transforma código SQL legacy en una base de conocimiento inteligente y buscable. Usando embeddings semánticos, búsqueda híbrida y un agente conversacional con memoria, democratiza el acceso al conocimiento enterrado en décadas de desarrollo.

✨ Características Principales

🔍 Búsqueda Semántica: Encuentra código por intención, no por texto exacto
🤖 Agente Conversacional: Pregunta en lenguaje natural sobre tu codebase
💬 Memoria Multi-Turn: Conversaciones contextuales con historial
⚡ Context Caching: Latencia reducida 50%
📊 Few-Shot Learning: Aprende de queries anteriores automáticamente
🏗️ 100% BigQuery: Escalable a millones de objetos SQL
🎯 Clasificación Inteligente: Organiza por dominio de negocio y complejidad
📈 Analytics Built-in: Métricas de uso en BigQuery

🛡️ Mejoras de Robustez (Nueva)

🔄 Retry Logic: Backoff exponencial para fallos transientes
⏱️ Rate Limiting: Control de tasa para APIs (Gemini, BigQuery)
🔌 Circuit Breaker: Protección contra fallos en cascada
📊 Métricas: Collector thread-safe para latencia, throughput
📝 Logging Estructurado: JSON con contexto para debugging
🔧 Connection Pooling: Reutilización de conexiones BigQuery
⚙️ Config por Entorno: Configuraciones dev/staging/prod
🧪 Testing Framework: Pytest con >70% coverage target

🚀 Quick Start (5 minutos)

1. Clonar el Repositorio

git clone https://github.com/grupodeacero/squit.git
cd squit

2. Configurar Credenciales

# 1. Copiar template de configuración
cp .env.template .env

# 2. Obtener y configurar credenciales de Google Cloud
# a) Descargar service account JSON desde Google Cloud Console
#    → IAM & Admin → Service Accounts → Create Key → JSON
cp ~/Downloads/tu-proyecto-xxxxx.json .config/credentials.json

# b) Obtener Gemini API Key
#    → https://makersuite.google.com/app/apikey

# 3. Editar .env con tus valores
nano .env

# Configuración mínima requerida:
# GOOGLE_CLOUD_PROJECT=tu-proyecto-id
# GOOGLE_APPLICATION_CREDENTIALS=.config/credentials.json  # ← Ruta correcta
# GEMINI_API_KEY=tu-gemini-api-key
# GEMINI_CHAT_MODEL=gemini-2.5-flash  # ← Modelo recomendado

# 4. Copiar catálogo de aplicaciones (280+ apps)
# Si tienes el catálogo real, copiarlo a:
# cp tu-catalogo.csv data/catalogo.csv

3. Instalar Dependencias

pip install -r requirements.txt

4. Verificar Configuración (Opcional)

# Ver configuración actual del sistema
python3 -c "
import sys
from pathlib import Path
sys.path.insert(0, 'app')

from bigquery_vector.config import BigQueryVectorConfig
from agentic_adk.catalog_enricher import CatalogEnricher
import os

print('✅ CONFIGURACIÓN ACTUAL:')
print(f'   BigQuery: {BigQueryVectorConfig().PROJECT_ID}')
print(f'   Dataset: {BigQueryVectorConfig().DATASET_ID}')
print(f'   Catálogo: {len(CatalogEnricher().catalog_df)} apps')
print(f'   Credenciales: {os.getenv(\"GOOGLE_APPLICATION_CREDENTIALS\")}')
"

5. Ejecutar el Asistente

Opción A: Con Docker 🐳 (Recomendado - Aislado y Reproducible)

Primera vez (construir imagen):

make squit-rebuild

Siguientes veces:

make squit

Ventajas de Docker:

✅ Aislamiento total - No contamina tu Python local
✅ Dependencias incluidas - Todo pre-instalado (google-adk 1.15.1, etc.)
✅ Reproducible - Funciona igual en cualquier máquina
✅ Configuración persistente - Tus archivos se preservan (.config/, data/)
✅ Limpieza fácil - docker rm y no queda nada

Comandos útiles:

make squit          # Ejecutar CLI interactivo
make squit-rebuild  # Reconstruir imagen completa (si cambió código)
make squit-clean    # Limpiar todo (imágenes, contenedores, volúmenes)
make help           # Ver todos los comandos disponibles

Opción B: Directamente con Python 🐍

python3 scripts/squit.py

Cuándo usar:

Desarrollo rápido
Debugging
Ya tienes Python 3.12+ y dependencias instaladas

💡 Recomendación: Usa Docker (make squit) para producción y uso diario.

    ███████╗ ██████╗ ██╗   ██╗██╗████████╗
    ██╔════╝██╔═══██╗██║   ██║██║╚══██╔══╝
    ███████╗██║   ██║██║   ██║██║   ██║   
    ╚════██║██║▄▄ ██║██║   ██║██║   ██║   
    ███████║╚██████╔╝╚██████╔╝██║   ██║   
    ╚══════╝ ╚══▀▀═╝  ╚═════╝ ╚═╝   ╚═╝   
    
  "SQL Quit" - Democratizando Código Legacy
  Búsqueda Inteligente | 2.9M Objetos SQL
  Powered by Gemini 2.5 Flash + Google ADK

squit[1]> hablame de kayak

"Kayak" es un sistema de gestión de fechas de embarque...
Los principales stored procedures son:
- AgAsignaFechasKayakProc
- KayAsignaFechasKayakProc
...

squit[2]> explicame el primero que mencionaste

✅ Memoria mantiene contexto

AgAsignaFechasKayakProc asigna fechas estimadas...

squit[3]> exit

🐳 Detalles de Ejecución con Docker

Arquitectura del Sistema Dockerizado:

┌─────────────────────────────────────────────────────┐
│ make squit                                          │
│  ↓                                                   │
│ docker compose --profile cli run --rm squit-cli     │
│  ↓                                                   │
│ ┌───────────────────────────────────────┐           │
│ │ Container: squit-cli                  │           │
│ │ ─────────────────────────────────────│           │
│ │ Imagen: squit-squit-cli:latest        │           │
│ │ Base: python:3.12-slim-bookworm       │           │
│ │ ─────────────────────────────────────│           │
│ │ Dependencias instaladas:              │           │
│ │  • google-adk: 1.15.1                 │           │
│ │  • google-genai: 1.40.0               │           │
│ │  • google-cloud-bigquery: 3.38.0      │           │
│ │  • deprecated: 1.2.18                 │           │
│ │  • + 80 librerías más                 │           │
│ │ ─────────────────────────────────────│           │
│ │ Volúmenes montados (del host):        │           │
│ │  .config/   → /workspace/.config/  ✅│           │
│ │  data/      → /workspace/data/     ✅│           │
│ │  .env       → /workspace/.env      ✅│           │
│ │  app/       → /workspace/app/      🔒│           │
│ │  scripts/   → /workspace/scripts/  🔒│           │
│ │ ─────────────────────────────────────│           │
│ │ Comando ejecutado:                    │           │
│ │  python3 scripts/squit.py             │           │
│ └───────────────────────────────────────┘           │
└─────────────────────────────────────────────────────┘

✅ = Persistente (lectura/escritura)
🔒 = Protegido (solo lectura)

¿Por qué docker compose run en lugar de up?

docker compose up → Para servicios daemon (background)
docker compose run → Para comandos interactivos (TTY completo)

El CLI necesita interactividad completa (leer input del usuario), por eso usamos run --rm.

Comandos completos documentados: docs/usage/DOCKER.md


---

## ⚙️ Configuración Actual del Sistema

### 🔧 Configuración de Producción

El sistema está configurado y funcionando con:

#### 1. **Google Cloud Platform**

Proyecto: dfor-prj-dev Dataset: deacero_sql_objects Región: us-central1


**Tablas en BigQuery:**
- `sql_objects_code` → ~3.4M objetos SQL (fuente)
- `intelligent_chunks` → ~5-10M chunks procesados
- `chunk_embeddings` → Vectores 768-dim (Gemini)
- `query_history` → Analytics de queries

#### 2. **Catálogo de Aplicaciones**

Ubicación: data/catalogo.csv Apps documentadas: 280 Tamaño: 101 KB


Dominios de negocio incluidos:
- Ventas, Inventario, Finanzas
- Producción, Compras, Logística
- Recursos Humanos

#### 3. **Modelos de IA**

**Agente Principal:**

Modelo: gemini-2.5-flash Temperature: 0.1 (determinista) Max tokens: 8000


**Embeddings:**

Modelo: gemini-embedding-001 Dimensiones: 768 Task type: CODE_RETRIEVAL_QUERY


#### 4. **Credenciales y Seguridad**

✅ Service Account: .config/credentials.json ✅ API Keys: Configuradas en .env ✅ .gitignore: Protección activa


**Permisos de Service Account:**
- BigQuery Data Viewer
- BigQuery Job User
- BigQuery Data Editor

#### 5. **Arquitectura del Sistema**

┌─────────────────┐ │ Usuario CLI │ (scripts/squit.py) └────────┬────────┘ │ v ┌─────────────────┐ │ MasterAgent │ (Gemini 2.5 Flash) │ + Memoria │ (Multi-turn conversacional) └────────┬────────┘ │ ┌────┴────┐ │ │ v v ┌───────┐ ┌──────────────┐ │Search │ │CatalogEnrich │ │Agent │ │(280 apps) │ └───┬───┘ └──────────────┘ │ v ┌─────────────────┐ │ BigQuery Vector │ │ 3.4M objetos │ │ 768-dim embeds │ └─────────────────┘


---

## 📊 El Problema que Resolvemos

### Código Legacy Sin Documentar

Organizaciones con décadas de desarrollo SQL enfrentan:

- 📚 **Millones de líneas** de código sin documentar
- 🔍 **Conocimiento tribal** en cabezas de desarrolladores veteranos
- 🌀 **Lógica de negocio enterrada** en procedures de 10K+ líneas
- ⏰ **Horas perdidas** buscando "dónde está implementado X"
- 🚫 **Barreras de entrada** para nuevos desarrolladores
- 💸 **Riesgo de cambios** por dependencias invisibles

### La Solución: Democratización con IA

**SQUIT** democratiza el acceso al conocimiento legacy mediante:

1. **🏗️ Estructuración Inteligente**: Clasifica y chunka código automáticamente
2. **🔍 Búsqueda Híbrida**: Encuentra código por significado (70% semántico + 30% keywords)
3. **🤖 Comprensión con IA**: Agente que explica qué hace el código y por qué
4. **🎯 Democratización**: Accesible para todos, no solo expertos

---

## 🏗️ Arquitectura del Sistema

┌─────────────────────────────────────────────────────────────┐ │ SQUIT Architecture │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 1. Extracción SQL │ │ └─> SQL Server → BigQuery (sql_objects_code) │ │ │ │ 2. Pipeline BigQuery │ │ ├─> Chunking Inteligente (30-45min) │ │ ├─> Embeddings Gemini (2-4 horas) │ │ └─> Vector Index IVF (~10min) │ │ │ │ 3. Agente Conversacional (Google ADK) │ │ ├─> Gemini 2.5 Flash │ │ ├─> Context Caching (-50% latencia) │ │ ├─> LangChain Memory (últimos 10 turnos) │ │ └─> QueryLogger BigQuery (few-shots) │ │ │ │ 4. Búsqueda Híbrida │ │ ├─> Vector Search (70%) │ │ └─> Keyword Search (30%) │ │ │ └─────────────────────────────────────────────────────────────┘


---

## 📖 Documentación

### 📚 **[Índice Completo de Documentación](docs/INDEX.md)** ← Empieza aquí

La documentación está organizada por categorías para fácil navegación:

#### 🚀 [Getting Started](docs/01-getting-started/)
- **[QUICKSTART.md](docs/01-getting-started/QUICKSTART.md)** - Guía de inicio en 5 minutos
- **[DOCKER_SETUP.md](docs/01-getting-started/DOCKER_SETUP.md)** - Setup con Docker

#### 🏗️ [Architecture](docs/02-architecture/)
- **[SYSTEM_OVERVIEW.md](docs/02-architecture/SYSTEM_OVERVIEW.md)** - Arquitectura general
- **[BIGQUERY_VECTOR.md](docs/02-architecture/BIGQUERY_VECTOR.md)** - Sistema vectorial
- **[AGENTIC_SYSTEM.md](docs/02-architecture/AGENTIC_SYSTEM.md)** - Sistema agentic

#### 💻 [Usage](docs/03-usage/)
- **[CLI_GUIDE.md](docs/03-usage/CLI_GUIDE.md)** - Guía del CLI interactivo
- **[API_REFERENCE.md](docs/03-usage/API_REFERENCE.md)** - Referencias de APIs
- **[EXAMPLES.md](docs/03-usage/EXAMPLES.md)** - Ejemplos y casos de uso

#### 🔧 [Development](docs/04-development/)
- **[CONTRIBUTING.md](docs/04-development/CONTRIBUTING.md)** - Guía de contribución
- **[TESTING.md](docs/04-development/TESTING.md)** - Testing y coverage
- **[TECHNICAL.md](docs/04-development/TECHNICAL.md)** - Detalles técnicos
- **[CHANGELOG.md](docs/04-development/CHANGELOG.md)** - Historial de cambios

---

## 🛠️ Tecnologías

### Core Stack
- **Python 3.11+**: Lenguaje principal
- **Google BigQuery**: Data warehouse y vector database
- **Gemini 2.5 Flash**: LLM para agente conversacional
- **Gemini Embedding-001**: Embeddings semánticos (768 dims)
- **Google ADK**: Framework de agentes
- **LangChain**: Memoria estructurada

### Opcional
- **Weaviate**: Vector database alternativo (Fase 2)
- **Docker**: Containerización

---

## 📊 Dataset de Ejemplo

El proyecto incluye ejemplos para trabajar con datasets SQL legacy:

- **3.4M objetos SQL** de 275 servidores
- **Décadas de código** sin documentar
- **7 dominios de negocio**: ventas, inventario, finanzas, producción, compras, logística, RRHH

---

## 🎓 Casos de Uso

### 1. "¿Dónde está implementada la lógica de autenticación?"

**Búsqueda tradicional (grep):**
```bash
# ❌ Solo encuentra texto exacto
grep -r "authentication" *.sql

SQUIT:

squit[1]> donde esta la lógica de autenticación de usuarios

✅ Encuentra código relacionado aunque use términos diferentes
✅ Entiende sinónimos (login, validación, permisos)
✅ Muestra contexto y explicaciones

2. "¿Qué hace este procedimiento?"

squit[1]> explicame AgAsignaFechasKayakProc

Procedimiento: AgAsignaFechasKayakProc
Dominio: Ventas / Logística
Complejidad: Alta (8.5/10)

Resumen: Asigna fechas estimadas de embarque y entrega 
para pedidos del sistema Kayak. Maneja simulaciones, 
persistencia de fechas y actualización de múltiples tablas.

Depende de: 12 tablas, 3 procedimientos
Usado por: 8 procesos batch, 2 aplicaciones web

3. Análisis de Impacto

squit[1]> si modifico la tabla VentasPedidos, qué se rompe

✅ Analiza dependencias
✅ Identifica procedures/views que la usan
✅ Estima impacto por dominio de negocio

📈 Performance

Métrica	Valor
Objetos soportados	3.4M+
Latencia de búsqueda	~2.5s (con cache)
Precisión semántica	~90%
Context retention	91%
Throughput embeddings	300-500/seg

📁 Estructura del Proyecto

squit/
├── .config/
│   └── credentials.json          # ← Service account de Google Cloud
├── data/
│   └── catalogo.csv               # ← Catálogo de 280+ aplicaciones
├── app/
│   ├── agentic_adk/               # Sistema agentico con Google ADK
│   │   ├── agents/                # Agentes especializados
│   │   │   ├── master_agent.py    # Orquestador principal
│   │   │   ├── code_search_agent.py
│   │   │   └── explanation_agent.py
│   │   ├── tools/                 # Herramientas para agentes
│   │   │   ├── vector_search.py   # Búsqueda en BigQuery
│   │   │   └── dependency_search.py
│   │   ├── catalog_enricher.py    # Enriquecimiento con catálogo
│   │   └── query_logger.py        # Analytics de queries
│   ├── bigquery_vector/           # Pipeline de datos
│   │   ├── chunking_pipeline.py   # Chunking inteligente
│   │   ├── vector_search.py       # Búsquedas vectoriales
│   │   └── progress_tracker.py    # Tracking de progreso
│   └── squit_client/              # Cliente base BigQuery
├── scripts/
│   ├── squit.py                   # ← CLI principal (EMPEZAR AQUÍ)
│   ├── run_bigquery_pipeline.py   # Pipeline de datos
│   └── demo_*.py                  # Demos y ejemplos
├── docs/                          # Documentación completa
│   ├── INDEX.md                   # Índice maestro
│   ├── setup/                     # Guías de instalación
│   ├── usage/                     # Guías de uso
│   └── development/               # Docs técnicos
├── .env                           # ← Configuración (crear desde template)
├── .env.template                  # Template de configuración
└── requirements.txt               # Dependencias Python

🔑 Archivos de Configuración

Archivo	Propósito	Ubicación Correcta	En Git
`.env`	Variables de entorno	Root	❌ No
`credentials.json`	Service account GCP	`.config/`	❌ No
`catalogo.csv`	Catálogo de apps	`data/`	❌ No
`.env.template`	Template de config	Root	✅ Sí
`catalog.example.csv`	Ejemplo de catálogo	`data/`	✅ Sí

🔒 Seguridad y Privacidad

✅ Credenciales: Nunca se commitean (.gitignore robusto)
✅ Service Accounts: Permisos mínimos necesarios en GCP
✅ API Keys: Gestionadas via .env (no hardcodeadas)
✅ Data Privacy: Código SQL permanece en tu BigQuery
✅ Gemini API: Solo recibe queries del usuario, no todo el código
✅ Rutas seguras: Credenciales en .config/, catálogo en data/

🤝 Contribuir

¡Contribuciones son bienvenidas! Por favor lee CONTRIBUTING.md para detalles.

Quick Contribution Guide

Fork el repositorio
Crea una branch (git checkout -b feature/amazing-feature)
Commit tus cambios (git commit -m 'Add amazing feature')
Push a la branch (git push origin feature/amazing-feature)
Abre un Pull Request

Áreas de Contribución

🐛 Bug fixes: Reporta o arregla bugs
📚 Documentación: Mejora docs o traducciones
✨ Features: Nuevas funcionalidades
🧪 Tests: Aumenta coverage de tests
🎨 UI/UX: Mejoras en CLI o interfaces

📝 Licencia

Este proyecto está bajo licencia MIT. Ver LICENSE para detalles.

👥 Autores

Karim Touma - Creador y maintainer - ktouma@deacero.com

Grupo DeAcero

Proyecto desarrollado en Grupo DeAcero para democratizar el acceso al conocimiento enterrado en décadas de código SQL legacy.

🙏 Agradecimientos

Google Cloud - BigQuery ML y Gemini API
Google ADK Team - Framework de agentes
LangChain - Librería de memoria estructurada
Comunidad Open Source - Inspiración y herramientas

📬 Contacto

Email: ktouma@deacero.com
Issues: GitHub Issues
Discussions: GitHub Discussions

🗺️ Roadmap

✅ Fase 1 (Completada)

Pipeline BigQuery de chunks + embeddings
Búsqueda híbrida (vector + keywords)
Agente conversacional con Google ADK
Context Caching (latencia -50%)
LangChain Memory estructurada
QueryLogger BigQuery (few-shots)

🚧 Fase 2 (En Progreso)

Weaviate Semantic Memory
Entity tracking estructurado
Few-shots por dominio de negocio
Summarization de conversaciones largas
MCP Server (Model Context Protocol) - Integración con Claude Desktop, Cursor, etc.

🔮 Fase 3 (Futuro)

Vertex AI Memory Bank integration
Multi-tenant support
Web UI (Streamlit/Gradio)
API REST para integraciones
Support para más lenguajes (PL/SQL, T-SQL, etc.)
MCP Tools extensibles para IDEs

📊 Project Stats

Dataset & Performance

SQL Objects: 3.4M+
BigQuery Tables: 5+ (chunks, embeddings, history)
Search Latency: ~2.5s (with cache)
Embedding Throughput: 300-500 objects/sec
Context Retention: 91%

Hecho con ❤️ para democratizar el conocimiento legacy

🔍 Verificar Estado del Sistema

Comando de Diagnóstico Rápido

# Script de diagnóstico completo
python3 -c "
import sys, os
from pathlib import Path
sys.path.insert(0, 'app')

print('🔍 DIAGNÓSTICO RÁPIDO DEL SISTEMA\n')
print('='*50)

# 1. Archivos
print('\n📁 Archivos de Configuración:')
files = {
    '.env': Path('.env'),
    'credentials.json': Path('.config/credentials.json'),
    'catalogo.csv': Path('data/catalogo.csv')
}
for name, path in files.items():
    status = '✅' if path.exists() else '❌'
    print(f'   {status} {name}: {path}')

# 2. Variables
print('\n🔐 Variables de Entorno:')
env_vars = ['GOOGLE_CLOUD_PROJECT', 'GOOGLE_APPLICATION_CREDENTIALS', 'GEMINI_API_KEY']
for var in env_vars:
    val = os.getenv(var, '')
    status = '✅' if val else '❌'
    display = val[:20] + '...' if len(val) > 20 else val
    print(f'   {status} {var}: {display}')

# 3. Sistema
print('\n⚙️  Sistema:')
try:
    from bigquery_vector.config import BigQueryVectorConfig
    config = BigQueryVectorConfig()
    print(f'   ✅ BigQuery: {config.PROJECT_ID}')
    print(f'   ✅ Dataset: {config.DATASET_ID}')
except Exception as e:
    print(f'   ❌ Error: {e}')

try:
    from agentic_adk.catalog_enricher import CatalogEnricher
    enricher = CatalogEnricher()
    print(f'   ✅ Catálogo: {len(enricher.catalog_df)} aplicaciones')
except Exception as e:
    print(f'   ❌ Catálogo: {e}')

print('\n' + '='*50)
"

Checklist de Configuración Actual

Proyecto GCP: dfor-prj-dev
Dataset: deacero_sql_objects (~3.4M objetos)
Credenciales: .config/credentials.json ✅
Catálogo: data/catalogo.csv (280 apps, 101 KB) ✅
Modelo IA: gemini-2.5-flash
Embeddings: 768-dim vectores
API Key Gemini: Configurar en .env si no está

Rutas Correctas Configuradas ✅

.config/credentials.json    ← Service Account (2.3 KB)
data/catalogo.csv            ← 280 aplicaciones (101 KB)
.env                         ← Variables de entorno

Verificación automática:

Sistema busca catálogo en data/ automáticamente
Credenciales en .config/ (ruta correcta configurada)
Variables de entorno cargadas desde .env

🔗 Enlaces Útiles

Documentación: docs/INDEX.md - Índice maestro
Configuración: docs/usage/API_CONFIG.md - Guía detallada
Setup: docs/setup/BIGQUERY_VECTOR_COMPLETE.md
Agentes: docs/usage/AGENTIC_ADK_GUIDE.md
Contributing: CONTRIBUTING.md

Name		Name	Last commit message	Last commit date
Latest commit History 31 Commits
.agents		.agents
.config		.config
.github		.github
app		app
data		data
docs		docs
scripts		scripts
.cornerstone		.cornerstone
.cursorignore		.cursorignore
.cursorrules		.cursorrules
.dockerignore		.dockerignore
.env.template		.env.template
.flake8		.flake8
.gitignore		.gitignore
CONTRIBUTING.md		CONTRIBUTING.md
CONTRIBUTORS.md		CONTRIBUTORS.md
Dockerfile		Dockerfile
Dockerfile.cli		Dockerfile.cli
Dockerfile.dev		Dockerfile.dev
Dockerfile.mcp		Dockerfile.mcp
LICENSE		LICENSE
Makefile		Makefile
README.md		README.md
README.yml		README.yml
commit_msg.txt		commit_msg.txt
docker-compose.weaviate.yml		docker-compose.weaviate.yml
docker-compose.yml		docker-compose.yml
env.example		env.example
pyproject.toml		pyproject.toml
requirements-mcp.txt		requirements-mcp.txt
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

🎯 SQUIT - "SQL Quit"

Democratizando Código Legacy con IA

✨ Características Principales

🛡️ Mejoras de Robustez (Nueva)

🚀 Quick Start (5 minutos)

1. Clonar el Repositorio

2. Configurar Credenciales

3. Instalar Dependencias

4. Verificar Configuración (Opcional)

5. Ejecutar el Asistente

Opción A: Con Docker 🐳 (Recomendado - Aislado y Reproducible)

Opción B: Directamente con Python 🐍

🐳 Detalles de Ejecución con Docker

2. "¿Qué hace este procedimiento?"

3. Análisis de Impacto

📈 Performance

📁 Estructura del Proyecto

🔑 Archivos de Configuración

🔒 Seguridad y Privacidad

🤝 Contribuir

Quick Contribution Guide

Áreas de Contribución

📝 Licencia

👥 Autores

Grupo DeAcero

🙏 Agradecimientos

📬 Contacto

🗺️ Roadmap

✅ Fase 1 (Completada)

🚧 Fase 2 (En Progreso)

🔮 Fase 3 (Futuro)

📊 Project Stats

Dataset & Performance

🔍 Verificar Estado del Sistema

Comando de Diagnóstico Rápido

Checklist de Configuración Actual

Rutas Correctas Configuradas ✅

🔗 Enlaces Útiles

About

Resources

License

Contributing

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages