CollegeAdvisor
Una respuesta debería venir con una fuente.

Una biblioteca con un control a la salida.
Una ilustración creada en Blender para este sitio. Explica la idea; no son datos del proyecto.
Las imágenes, los diagramas y los vídeos originales conservan su idioma de origen.
Las admisiones, la ayuda financiera y las vías de transferencia dependen de información específica. En Athena AI Labs trabajé en una aplicación que recupera material de apoyo antes de construir una respuesta, con comprobaciones para las preguntas que las fuentes disponibles no pueden respaldar. El objetivo de diseño era modesto y estricto: una respuesta debe mostrar de dónde procede o abstenerse.
Conexión de toda la aplicación
Desarrollé una interfaz SwiftUI, una API de Python y flujos de trabajo de generación de recuperación aumentada para preguntas de asesoramiento universitario. La integración del perfil del estudiante admitió recomendaciones personalizadas, mientras que la ingesta de documentos organizó la información que el sistema podía consultar.
Cinco colecciones, por separado
La base de conocimiento se organiza en cinco colecciones: políticas de ayuda financiera, requisitos de admisión por carrera, cifras del Common Data Set, acuerdos de convalidación para transferencias y respuestas resueltas con sus citas. Mantenerlas separadas permite que una pregunta sobre créditos de transferencia busque en un material distinto que una pregunta sobre ayudas, y que un resultado indique de qué tipo de fuente procede.
Recuperación antes de la generación
Primero, la pregunta se compara por significado con esas colecciones, y los resultados de fuentes oficiales .edu y .gov pesan más que el resto del material. Los documentos de diseño publicados también describen una recuperación por palabras clave; la ruta que describo aquí es la densa. La tarea del modelo de lenguaje es redactar la respuesta. Los hechos los aporta la evidencia recuperada.
Citar, calcular o abstenerse
Algunas preguntas no deberían responderse a partir de texto. Las cifras de ayudas y costos las calcula una calculadora determinista en lugar de generarse. Las preguntas que piden un juicio legal, predicciones o preferencias personales se detectan antes de la recuperación. Y cuando la mejor evidencia es débil, el sistema se abstiene y explica por qué. En el conjunto de pruebas de estrés del propio proyecto, la mayoría de los casos se resolvieron declinando responder.
Hacer inspeccionable el trabajo
Publiqué CollegeAdvisor-RAG en Hugging Face con notas de arquitectura e instrucciones de uso. También hay una ficha del modelo en Kaggle. Este portafolio se centra en el diseño de recuperación y citas; las afirmaciones de rendimiento en benchmarks de una tarjeta de modelo no deben leerse como garantía para cualquier pregunta sobre admisiones.
La recuperación realiza el trabajo fáctico.
- 01
Buscar por significado, ordenar por autoridad
Cada registro se convierte en un embedding y se guarda en una de cinco colecciones de ChromaDB. Una pregunta recupera candidatos de todas las colecciones, y los que citan dominios de autoridad reciben un impulso antes de quedarse con los mejores resultados. Una puntuación mínima mantiene las coincidencias débiles fuera de la respuesta.
- 02
Verifique la pregunta y la fuente
Gestores especializados dirigen las preguntas sobre ayudas, transferencias y admisiones al material adecuado. Una comprobación de citar o abstenerse mantiene visible la evidencia insuficiente en lugar de forzar cada pregunta hacia una respuesta segura. El contexto del estudiante entra a través de la aplicación y la API.
- 03
Un modelo más pequeño, un trabajo más estrecho
La arquitectura publicada utiliza un modelo TinyLlama 1.1B adaptado a LoRA para el formato de respuesta. La evidencia recuperada proporciona contenido fáctico. Mantener esas responsabilidades separadas hace que sea más fácil inspeccionar si una respuesta está respaldada por sus citas.
Los detalles de la arquitectura siguen la tarjeta del modelo publicada y mi propio trabajo en el proyecto. Describen el diseño del sistema; no garantizan que cada dato recuperado esté actualizado ni que cada respuesta sea correcta.
Explorar la tarjeta modeloLos límites, con honestidad.
- Las evaluaciones las escribió el propio proyecto. No hay ningún benchmark independiente ni cifra de precisión con usuarios reales.
- Una cita muestra de dónde salió una respuesta. No demuestra que la fuente esté actualizada.
- La publicación en Hugging Face es un artefacto de modelo documentado, no un servicio de orientación alojado.
Siga la evidencia.
- 01Pregunta
Contexto del estudiante y una necesidad de información específica.
- 02Recuperar
Búsqueda en cinco colecciones de fuentes, con más peso para los dominios de autoridad.
- 03Validar
Tramitación especializada y controles de citación o abstención.
- 04Responder
Una respuesta formateada con citas de respaldo.
Dónde conecta esto.
Evaluar mejor a un agenteAmbos tratan un “sí” del evaluador como algo que hay que inspeccionar, no como algo de fiar.
ReleafEl mismo tipo de producto: una app en SwiftUI por delante de servicios en Python.
Lenguaje en movimientoAmbos incorporan la capacidad de abstenerse cuando la evidencia no respalda una respuesta.El diagrama es una presentación simplificada de la arquitectura publicada. La versión de Hugging Face es un artefacto modelo documentado, no un servicio de asesoramiento alojado.