Smart Search · E-commerce · IA aplicada
Búsqueda semántica para e-commerce
Una plataforma de búsqueda que entiende lo que el cliente quiere decir. Un pipeline con LLM procesa el catálogo y las búsquedas en lenguaje natural se convierten en filtros estructurados.
- Rol
- Dirección técnica de un equipo de dos desarrolladores; frontend completo
- Período
- Dic 2025 — Jul 2026
- Enlace
- Página del proyecto ↗
El reto
La búsqueda por palabras clave falla justo cuando el cliente describe lo que necesita en vez de nombrar el producto. El objetivo era una búsqueda que entendiera la intención y respetara las restricciones concretas (precio, categoría, atributos) sin inventar resultados.
Qué construimos
- Pipeline de contenido en cinco etapas: descubrimiento de URLs, parsing de HTML a JSON estructurado, resúmenes con LLM, indexación de vectores en Pinecone y búsqueda.
- Buscador híbrido: similitud vectorial más mejora de la consulta con LLM y extracción de filtros estructurados desde el lenguaje natural, combinados con filtros en base de datos. Todo asíncrono y con fallbacks ante errores.
- Taxonomías con supervisión humana: el LLM propone una clasificación jerárquica del catálogo y una persona la aprueba antes de publicarla.
- Independiente del modelo: OpenRouter como gateway, así que cambiar de proveedor es cambiar la configuración. Trazas en LangSmith.
- Dashboard de administración en React y TypeScript: cuentas, métricas del pipeline, búsqueda interactiva y aprobación de taxonomías.
- Plugin para WooCommerce: búsqueda semántica sobre el catálogo de la tienda, con indexación en segundo plano cada vez que cambia un producto.
Calidad
API en FastAPI con OpenAPI autogenerado y errores estándar (RFC 7807), unos 126 archivos de tests con pytest, más de 50 endpoints cubiertos con tests de API y monitorización con Sentry.
Capturas
Dashboard: métricas del pipeline
Aprobación de taxonomías