POST /api/docs/upload
- Body: Ocupará
multipart/form-datacon el archivo (PDF, Word, TXT, etc.) yprojectId(si aplica el contexto a un proyecto). - Acción esperada del Backend:
- Subir y guardar el archivo en un Storage (AWS S3, Azure Blob, o filesystem temporal).
- Extraer el texto completo del documento (OCR / Parsing).
- Super Importante: Generar embeddings del texto extraído y guardarlos en una Base de Datos Vectorial (Vector DB, ej. Qdrant, Pinecone, o pgvector) asociados a este usuario/proyecto. Esto habilitará el patrón RAG (Retrieval-Augmented Generation) para el chat.
- Respuesta esperada: Metadata del documento (docId, nombre, fecha, tamaño).
POST /api/docs/chat
- Body (
application/json):{ "projectId": "12345", // Opcional, si queremos aislar por contexto "query": "lee el documento de lab34 y dime qué reglas químicas tiene" } - Acción esperada del Backend:
- Generar embedding del
query. - Buscar los fragmentos (chunks) más parecidos/relevantes en la Base de Datos Vectorial (semantic search).
- Enviar esos fragmentos más el
queryinicial del usuario al LLM (GPT-4, Mistral, Claude, etc.) usando un prompt de sistema rígido para que solo conteste con base en la documentación recuperada.
- Generar embedding del
- Respuesta esperada (
application/json):{ "answer": "Según el documento Lab34, las reglas de seguridad establecen que...", "sources": ["Lab34_Manual.pdf", "Guia_General.docx"] // Opcional pero útil para darle transparencia al usuario final }
GET /api/docs/project/:projectId (o /api/docs/me)
- Acción esperada del Backend:
- Obtener el listado de documentos ya indexados y subidos por el usuario.
- Respuesta esperada (
application/json):[ { "id": "doc_1", "name": "manual_bioseguridad_v1.pdf", "size": 4500000, // bytes "uploadDate": "2026-03-25T10:00:00Z" } ]
Cualquier detalle sobre estos endpoints, por favor agregarlos al Postman / OpenAPI swagger para que el frontend pueda consumirlos usando los servicios de Axios/Fetch habituales gracias.