proyectos
ia, web·2026·
01 / Visión General

Ratatui.

Un chef de IA que vive en tu ordenador y nunca envia tus datos a ningun servidor.

Recetario inteligente y asistente culinario agentico con ejecucion 100% en local. Permite gestionar recetas personales y conversar en lenguaje natural con un chef virtual mediante busqueda semantica RAG.

Indicadores clave
$0.00

Coste de API

Inferencia 100% local con Ollama, sin cuotas ni tokens

Qwen 2.5:7b

Modelo

Personalidad de chef adaptada mediante few-shot prompting

RAG + MCP

Busqueda

ChromaDB con embeddings BGE-M3, conectado por Model Context Protocol

FastAPI

Backend

Worker asicrono concurrente de enriquecimiento autonomo

Ratatui
Ampliar

// Chat principal

El origen & la necesidad

Ratatui es una exploracion practica de lo que significa que la IA sea verdaderamente privada: ningun dato de recetas sale del equipo del usuario, no hay cuenta, no hay suscripcion, no hay coste por token.

El resultado & logros

El agente razona sobre recetas personales, sugiere variaciones segun ingredientes disponibles y enriquece automaticamente la base de datos en segundo plano. Todo sin internet una vez configurado.

02 / Interfaz

Recorrido visual pantalla a pantalla

Vistas reales del sistema con su propósito funcional y decisiones de interacción.

Interfaz del asistente
Ampliar captura
[01]

Interfaz del asistente

Chat con el chef virtual. Las respuestas incluyen ingredientes, pasos y sugerencias. El modelo conoce las recetas del usuario via RAG.

// Chat principal
Razonamiento MCP visible
Ampliar captura
[02]

Razonamiento MCP visible

El agente muestra su proceso: que herramientas llama, que consultas hace a ChromaDB y como sintetiza la respuesta. Totalmente transparente.

// Tool calls
Worker autonomo en terminal
Ampliar captura
[03]

Worker autonomo en terminal

Script en background que procesa la cola de recetas. No bloquea la interfaz, trabaja de forma asincrona e independiente.

// Background worker
Comparativa de inferencia
Ampliar captura
[04]

Comparativa de inferencia

El mismo prompt con el modelo base vs. con few-shot prompting aplicado. La diferencia en tono y calidad es clara.

// Modelo base vs adaptado
Capturas complementarias
Codigo del Servidor
// FastAPI endpoints
Entrenamiento del Modelo
// Few-shot training data
Extraccion de Recetas
// Estructuracion de datos
03 / Ingeniería

Decisiones de arquitectura y tecnología

Restricciones y problemas a resolver

  • Lograr que la IA funcione de manera autonoma y privada sin depender de APIs de pago en la nube.
  • Transformar lenguaje natural en consultas estructuradas de base de datos y capacitar al agente para enriquecer recetas de forma autonoma en segundo plano.

Solución de ingeniería aplicada

  • Integracion del estandar abierto MCP (Model Context Protocol) para conectar el modelo a la base de datos vectorial ChromaDB.
  • Agente autonomo concurrente con Ollama (Qwen 2.5:7b y embeddings BGE-M3), API reactiva en FastAPI y few-shot prompting.
Capacidades del sistema
[01]

Inferencia local con Ollama

El modelo corre en la maquina del usuario. Sin APIs externas, sin internet obligatorio, sin logs en terceros.

[02]

Busqueda semantica RAG

ChromaDB almacena las recetas como vectores. El agente recupera las mas relevantes segun la consulta, no solo por palabras clave.

[03]

Model Context Protocol

Implementacion del estandar abierto MCP para que el modelo llame herramientas externas de forma estructurada.

[04]

Agente autonomo en background

Un worker separado enriquece automaticamente las recetas mientras el usuario interactua con el chat, sin bloquear la UI.

Stack & Librerías
#Python#FastAPI#Ollama#ChromaDB#MCP#Qwen 2.5#BGE-M3#Tailwind CSS
Vídeo demostrativo

Demostración en ejecución

Registro audiovisual del funcionamiento, flujo de usuario e interacciones clave.