Un chatbot inteligente especializado en C# y .NET, desarrollado con tecnologías de Deep Learning y RAG (Retrieval-Augmented Generation). El proyecto incluye un backend en Python con embeddings y un frontend moderno en Next.js.

• Chatbot especializado en C# y .NET con 76 documentos de conocimiento
• RAG (Retrieval-Augmented Generation) para respuestas precisas y contextuales
• Frontend moderno con interfaz tipo ChatGPT y tema oscuro
• Backend robusto con embeddings y cross-encoder para mejor calidad
• API REST para integración fácil
• Base de conocimientos con 3,073 chunks de información especializada
• Multiplataforma - Compatible con Windows, Linux y macOS

• Sentence Transformers - Embeddings para recuperación semántica
• ChromaDB - Base de datos vectorial
• Flask - API REST
• Transformers - Modelos de lenguaje
• LangChain - Framework para RAG

• Next.js 14 - Framework de React
• TypeScript - Tipado estático
• Tailwind CSS - Framework de CSS
• Lucide React - Iconos

• Python 3.8+
• Node.js 18+
• npm o yarn

git clone <tu-repositorio>
cd CodeHelperNET

En Linux/macOS:

python3 -m venv codehelper_env
source codehelper_env/bin/activate

En Windows:

python -m venv codehelper_env
codehelper_env\Scripts\activate

pip install -r requirements.txt

python improved_vector_db.py

python api_server.py

El backend estará disponible en: http://localhost:5000

cd frontend
npm install

Crear archivo .env.local en la carpeta frontend/:

PYTHON_BACKEND_URL=http://localhost:5000
NEXT_PUBLIC_API_URL=/api

npm run dev

El frontend estará disponible en: http://localhost:3000

En Linux/macOS:

chmod +x start_chatbot.sh
./start_chatbot.sh

En Windows:

start_chatbot.bat

1. Terminal 1 - Backend:

   # Linux/macOS
   source codehelper_env/bin/activate
   python api_server.py
   
   # Windows
   codehelper_env\Scripts\activate
   python api_server.py

2. Terminal 2 - Frontend:

   cd frontend
   npm run dev

3. Abrir navegador: http://localhost:3000

1. Abre http://localhost:3000 en tu navegador
2. Escribe tu pregunta sobre C# o .NET
3. El chatbot responderá con información especializada

• "¿Qué es async/await en C#?"
• "¿Cómo crear una API REST con ASP.NET Core?"
• "¿Qué son los patrones de diseño más comunes?"
• "¿Cómo implementar Entity Framework Core?"
• "¿Cuáles son las mejores prácticas de seguridad en .NET?"

También puedes usar el chatbot programáticamente:

En Linux/macOS:

curl -X POST http://localhost:5000/chat \
  -H "Content-Type: application/json" \
  -d '{"message": "¿Qué es LINQ en C#?"}'

En Windows (PowerShell):

Invoke-RestMethod -Uri "http://localhost:5000/chat" -Method POST -ContentType "application/json" -Body '{"message": "¿Qué es LINQ en C#?"}'

El chatbot tiene acceso a información sobre:

• C# Fundamentals - Conceptos básicos y avanzados
• ASP.NET Core - Desarrollo web moderno
• Entity Framework - ORM y acceso a datos
• Design Patterns - Patrones de diseño
• Testing - Pruebas unitarias e integración
• Security - Mejores prácticas de seguridad
• Performance - Optimización y rendimiento
• Cloud Development - Azure, AWS, GCP
• Microservices - Arquitectura de microservicios
• DevOps - CI/CD y automatización

En Linux/macOS:

export FLASK_ENV=development  # Modo desarrollo
export PORT=5000              # Puerto del servidor

En Windows:

set FLASK_ENV=development
set PORT=5000

PYTHON_BACKEND_URL=http://localhost:5000  # URL del backend
NEXT_PUBLIC_API_URL=/api                  # URL de la API del frontend

Puedes modificar:

• rag_chatbot.py - Lógica del chatbot
• improved_vector_db.py - Generación de embeddings
• frontend/src/components/ChatInterface.tsx - Interfaz del chat

1. Conecta tu repositorio con Vercel
2. Configura las variables de entorno en Vercel
3. El despliegue será automático en cada push

El backend puede desplegarse en:

• Render - Servicio gratuito para Python
• Railway - Despliegue fácil
• Heroku - Plataforma tradicional
• AWS/GCP/Azure - Servicios en la nube

• Verifica que el backend esté ejecutándose
• Revisa los logs del servidor Flask

• Confirma que la URL del backend sea correcta
• Verifica que no haya problemas de CORS

• Ejecuta python improved_vector_db.py para regenerar la base

• Ejecuta pip install -r requirements.txt
• Verifica que el entorno virtual esté activado

• Error de permisos: Ejecuta PowerShell como administrador
• Error de encoding: Usa chcp 65001 para UTF-8
• Error de path: Usa rutas con backslashes \ en lugar de /

• Error de permisos: Usa sudo si es necesario
• Error de dependencias: Instala python3-dev y build-essential
• Error de encoding: Configura export LANG=en_US.UTF-8

• Tiempo de respuesta: ~1-3 segundos por pregunta
• Precisión: Alta gracias al RAG y cross-encoder
• Base de datos: 3,073 chunks de información
• Documentos: 76 archivos de conocimiento especializado

1. Fork el proyecto
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add some AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

Este proyecto está bajo la Licencia MIT. Ver el archivo LICENSE para más detalles.

Desarrollado como proyecto universitario para el curso IF7103 Sistemas Expertos.

• Sentence Transformers por los modelos de embeddings
• ChromaDB por la base de datos vectorial
• Next.js por el framework frontend
• La comunidad de C# y .NET por el conocimiento compartido