Base de Datos Vectorial (Qdrant)

¿Por qué Qdrant?

Qdrant es la base de datos vectorial que permite al AI Backend realizar búsqueda semántica de alta calidad. Almacena representaciones vectoriales del contenido para recuperar los chunks más relevantes dado un query.

Colecciones

Colección	Propósito	Dimensiones	Modelo de embedding
`lesson_content`	Embeddings de lecciones para búsqueda semántica	1536	text-embedding-3-small
`tutor_context`	Contexto conversacional del tutor por usuario	1536	text-embedding-3-small
`user_profiles`	Vectores de perfil de aprendizaje por usuario	1536	text-embedding-3-small
`quiz_questions`	Banco de preguntas para deduplicación	1536	text-embedding-3-small

QdrantService

Archivo: apps/ai-backend/src/modules/vector-db/qdrant.service.ts

// Operaciones principales
search(collection: string, vector: number[], limit: number, filter?: object): Promise<SearchResult[]>
upsert(collection: string, points: VectorPoint[]): Promise<void>
healthCheck(): Promise<{ status: 'ok' | 'error'; collections: string[]; vectorCount: number }>
getCollectionInfo(collection: string): Promise<CollectionInfo>

El servicio usa lazy initialization: las colecciones se crean si no existen al primer upsert.

EmbeddingService

Archivo: apps/ai-backend/src/modules/vector-db/embedding.service.ts

Genera embeddings con OpenAIAdapter usando text-embedding-3-small
Caché en memoria (por text-hash → vector) para no regenerar embeddings idénticos
Los embeddings cacheados tienen TTL de 1 hora

async embed(text: string): Promise<number[]> {
  const hash = sha256(text);
  if (this.cache.has(hash)) return this.cache.get(hash)!;

  const vector = await this.openai.createEmbedding(text, 'text-embedding-3-small');
  this.cache.set(hash, { vector, cachedAt: Date.now() });
  return vector;
}

IndexingService (Listener de eventos)

Archivo: apps/ai-backend/src/modules/vector-db/indexing.service.ts

Escucha el evento lesson.published desde apps/api y automáticamente indexa la lección en Qdrant:

sequenceDiagram
  participant API as apps/api
  participant AI as apps/ai-backend
  participant Q as Qdrant

  API->>AI: POST /usecases/indexing/index-lesson {lessonId}
  AI->>API: GET /internal/lessons/:id (contenido completo)
  API-->>AI: { title, markdownContent, videoTranscript }
  AI->>AI: EmbeddingService.embed(content)
  AI->>Q: upsert('lesson_content', [{ id: lessonId, vector, payload }])
  AI-->>API: { indexed: true, vectorId: lessonId }

Job de reindexación completa

Accesible desde el panel admin (/admin/ai/vector-db):

POST /admin/vector-db/reindex-all

Reindexará todas las lecciones publicadas. El proceso corre en background y devuelve un job ID para polling del estado.