proyecto_1_dentistas — plan de scaffold (E1) con investigación verificada (2026-09-26)

Contexto: complemento de [CREDENCIAL].md y [CREDENCIAL].md. Todo lo de la sección 1 fue verificado hoy contra las cuentas/APIs reales (solo lecturas y 3 llamadas de humo). Nada se construye hasta aprobar este plan.

1) Hallazgos verificados

HF Router (HF_TOKEN, OpenAI-compatible):

• Vivo y funcionando: 139 modelos en /v1/models. Test real de chat: deepseek-ai/DeepSeek-V4.1-Flash respondió en 0.8 s.
• DeepSeek-V4.1-Flash — MIT, 1M contexto, tools, structured output (deepinfra), $0.20/$0.60 por M tokens (deepinfra). Emite reasoning_content → los tokens de razonamiento cuentan como salida (verificar cómo desactivarlo o usar el Flash simple).
• DeepSeek-V4-Flash — MIT, $0.09/$0.18 (deepinfra). El más barato para bulk/rerank.
• DeepSeek-V4-Pro — MIT, $1.30/$2.60 (deepinfra). Candidato a juez de calidad.
• XiaomiMiMo/MiMo-V2.5-Pro — MIT, $0.52/$1.04 (novita) o $1/$3 (deepinfra).
• Corrección: MiMo-V2.6 no existe en el router ni en HF. Lo disponible es V2.5. Los planes previos que citaban MiMo-V2.6-Pro quedan corregidos.

Embeddings:

• El router NO expone /v1/embeddings (404).
• SÍ funciona Qwen/Qwen3-Embedding-4B (Apache-2.0) vía huggingface_hub InferenceClient(provider="deepinfra") → probado, devuelve vector.
• Fallback offline: nomic-embed-text ya instalado en Ollama (0.27 GB).

Reranker:

• Qwen/Qwen3-Reranker-* no está servido por ningún proveedor.
• BAAI/bge-reranker-v2-m3 solo expone text-classification vía hf-inference (sin API de ranking práctica en el cliente actual).
• → v0 mide dos modos: sin rerank vs LLM-rerank con DeepSeek-V4-Flash.

Fallbacks:

• Groq vivo con GROQ_API_KEY: gpt-oss-120b, qwen3.8-27b, llama-prompt-guard-2-86m (útil para guardrails del E4), whisper.
• Local offline (Ollama, Mac M1 Pro 16 GB): qwen3.5:9b (6.6 GB, cabe), deepseek-r1:8b (5.2 GB), nomic-embed (0.27 GB). qwen3.6 (23.9 GB) NO cabe.
• Disco libre: 10 GB (Ollama ya ocupa 43 GB, HF cache 5 GB — no descargar pesos grandes).

Dependencias (resolución real con uv, Python 3.12):

• ragas 0.4.3 · faiss-cpu 1.15.1 (wheel cp310-abi3-macosx_14_0_arm64, OK en macOS actual) · rank-bm25 · httpx · pydantic 2.13 · rich.
• 337 paquetes sin LlamaIndex; 429 con LlamaIndex. Sin torch.
• → Decisión: sin LlamaIndex en E1 v0 (92 paquetes menos, menos magia).

Costos reales estimados por corrida completa de eval (50 preguntas):

• Generación: ≈ $0.02(V4.1-Flash)\cdot JuezRAGAS:\approx$0.10 (V4.1-Flash) o ≈ $0.55 (V4-Pro).
• Total E1 << $2.Elpresupuestode$20 sobra con margen grande.

2) Decisiones finales del scaffold

Tema	Decisión
Repo	~/nef/Proyectos/proyecto_1_dentistas/ (git propio) — pendiente tu ok
LLM generación	DeepSeek-V4.1-Flash (HF router)
LLM bulk/rerank	DeepSeek-V4-Flash
LLM juez	DeepSeek-V4-Pro (solo eval de calidad)
Fallback LLM	Groq (gpt-oss-120b) · offline: Ollama qwen3.5:9b
Embeddings	Qwen3-Embedding-4B vía InferenceClient(deepinfra); fallback nomic
Rerank	modos off y llm (V4-Flash) para medir delta
Eval	RAGAS 0.4.3 + citation accuracy propio + contador de costos
Python	3.12 gestionado por uv (instalar en scaffold)
NO	sin Docker, sin LlamaIndex, sin torch, sin pesos grandes

Nota RAGAS: la doc cambió de rutas; las firmas exactas de llm_factory / embedding_factory se verifican en la primera hora del scaffold (el router es OpenAI-compatible, así que la vía estándar aplica).

3) Estructura del repo

proyecto_1_dentistas/
├── README.md                 # 3 comandos + límites conocidos
├── pyproject.toml            # uv, python 3.12
├── .env.example              # HF_TOKEN, GROQ_API_KEY, modelos (sin secretos)
├── .gitignore
├── Makefile                  # setup | index | ask | eval | smoke
├── config/default.toml       # providers, modelos, precios, umbrales
├── shared/
│   ├── corpus/               # 15 docs .md (clínica ficticia) + _meta.json
│   ├── golden_set/           # v0.jsonl (20 preguntas) + schema.json
│   └── eval/                 # ragas_run.py, citation_eval.py, costos.py
├── src/dentistas/
│   ├── config.py
│   ├── providers.py          # hf router | groq | ollama (mismo contrato)
│   ├── embeddings.py         # qwen3 (hf) | nomic (ollama)
│   ├── chunking.py           # semántico 256-512 tokens + metadatos
│   ├── index.py              # FAISS + BM25 persistido
│   ├── retrieve.py           # híbrido RRF + rerank off/llm
│   ├── answer.py             # prompt con citas + "no sé → canalizo"
│   ├── cli.py                # index | ask | eval
│   └── eval_runner.py
├── artifacts/                # gitignored: índice, runs, costos
├── tests/test_smoke.py
└── marketing/                # demo-script.md, one-pager.md, pagina-servicio.md

4) Pasos de ejecución (al aprobar), cada uno con verificación

0. uv python install 3.12 · git init · uv init · resolver deps. Verificación: instalación sin torch (uv tree no muestra torch).
1. config + .env.example + Makefile. Verificación: make setup limpio.
2. Corpus v0 (15 docs) + golden set v0 (20 preguntas). Verificación: script de validación (campos, encabezado “datos ficticios de laboratorio”).
3. providers.py con 3 backends; test de humo: 1 llamada por backend.
4. embeddings + índice FAISS/BM25 + RRF + ask con citas.
5. eval RAGAS + citation + costos sobre 20 preguntas. Verificación: eval.csv + cost.json + resumen.md.
6. Iterar hasta umbrales (faithfulness >0.85, precision/recall >0.75) o registrar gaps como límites conocidos.
7. Plantillas de marketing (vacías de números hasta tener informe).
8. Commit inicial + README (3 comandos + límites).

DoD: make setup <1.5 GB · make index reporta chunks · make ask Q="¿cuánto cuesta una limpieza?" responde con citas y costo · make eval produce los 3 archivos · make smoke verde.

5) Marketing mínimo (atado a hitos)

• M1 (sem 2-3, al pasar umbrales): guion + video demo 3-5 min (5 preguntas reales a la clínica ficticia, citas + tabla de métricas). Uso 1:1.
• M2 (sem 4): one-pager HTML→PDF. Fuente de stats de mercado: decision [CREDENCIAL].md (ya compiladas).
• M3 (sem 4-6): página de servicio en pichardo.com + artículo de método citable.
• M4 (sem 6-8): demo 15 min a 1 clínica real (el testigo).
• M5 (post-testigo): outreach 1:1, lista de 20 clínicas, cero envío masivo.
• Guardarraíles: cero testimonios ficticios · demo etiquetada “laboratorio” · números solo del informe · si un número no se sostiene, se baja la promesa.

6) Correcciones a los planes previos

• MiMo-V2.6-Pro no está disponible → DeepSeek V4.x / MiMo V2.5.
• LlamaIndex fuera de E1 v0.
• Reranker Qwen3 no disponible → LLM-rerank (V4-Flash).
• Embeddings no van por el router → InferenceClient(deepinfra) o nomic local.

7) Preguntas abiertas (2)

1. ¿Repo en ~/nef/Proyectos/proyecto_1_dentistas/? (recomendado; corrige la convención de los decisions previos que decían ~/nef/projects/benchmark-ia-dental/)
2. ¿M1/M2 como plantillas desde el scaffold y demo pública solo después del piloto? (recomendado)