Alberto es el asistente de conocimiento interno de A Team. Podés preguntarle sobre documentos de la empresa, consultar datos de clientes del CRM, pedirle que genere propuestas comerciales en HTML descargable, o simplemente hacerle preguntas generales de tecnología y negocio.

---

Las piezas que lo componen

1. Los documentos (la "memoria" de Alberto)

Los archivos .md viven en el repositorio independiente mhernayes-ateam/ateam_docs. Actualmente hay 31 documentos indexados: contratos, privacidad, DPA, SLAs, arquitectura técnica, agentes IA, programa de referidos, etc.

2. Sync automático (GitHub Actions)

Cada git push al repo de docs dispara una GitHub Action que sincroniza los .md a Firebase Storage y re-importa el corpus de Vertex AI. Alberto tiene la info actualizada en ~2 minutos sin intervención manual.

3. El corpus de Vertex AI RAG

• Chunking: fragmentos de 1024 palabras con 256 de superposición
• Embedding: Text Multilingual Embedding 002 — vectores semánticos multilingüe
• Vector store: serverless administrado por Google — sin infraestructura propia

4. La autenticación

Solo accesible desde el Business Hub con login Google. El token OAuth se persiste en sessionStorage — si ya estás logueado, Alberto no te pide re-autenticarte.

5. Contexto CRM (Firebase Realtime DB)

Alberto tiene acceso en tiempo real a los leads del CRM. Cuando preguntás por un cliente, busca automáticamente en Firebase e inyecta los datos como contexto. El cliente encontrado se mantiene en memoria durante toda la conversación:

• "decime algo de Valentina Montes" → busca en CRM, trae nombre, estado, empresa, historial
• "armame un html con una propuesta para ella" → recuerda a Valentina y genera el documento

6. Documentos HTML descargables

Alberto puede crear propuestas comerciales, one-pagers y reportes en HTML combinando datos del CRM con info del corpus. Cuando genera un HTML aparece un botón ⬇ Descargar HTML para guardarlo directamente.

7. El flujo de una pregunta

Vos escribís (texto, imagen o archivo adjunto)
    ↓
Contexto CRM inyectado automáticamente si hay cliente relevante
    ↓
Historial completo de la sesión incluido en el request (multi-turn)
    ↓
business.html arma el request a Vertex AI:
  · si hay adjunto binario → RAG desactivado, Gemini lee el archivo directo
  · si no hay adjunto → RAG activo: top-10 fragmentos relevantes del corpus
    ↓
Gemini 2.5 Pro genera la respuesta (temp: 0.3)
  · cita documentos fuente
  · usa datos del CRM si fueron inyectados
  · genera HTML si fue solicitado
    ↓
Respuesta + chips de fuentes + botón de descarga (si hay HTML)

8. Contexto de conversación (multi-turn)

Alberto recuerda todo lo dicho en el mismo chat. El historial completo de la sesión (hasta 30 mensajes previos) se incluye en cada request a Vertex AI. Para empezar con contexto limpio → Nuevo Chat. Al retomar una sesión anterior, el historial se carga desde Firebase.

9. Los adjuntos

• Imágenes → base64 como inlineData (Gemini multimodal) — RAG desactivado
• PDFs → base64 como inlineData, Gemini los parsea nativamente — RAG desactivado
• Texto (.txt, .md, .csv) → texto inyectado en el mensaje — RAG activo

Los adjuntos no se guardan — solo existen durante esa consulta.

10. Conocimiento general

Alberto no está limitado al corpus. Puede responder preguntas sobre tecnología, IA, programación, negocios y herramientas externas usando el conocimiento general de Gemini 2.5 Pro.

---

Arquitectura completa

mhernayes-ateam/ateam_docs (repo Git, privado)
    ↓ push a main
GitHub Actions (sync-to-alberto.yml — WIF auth)
    ↓ gsutil rsync (excluye _deprecated/)
Firebase Storage (gs://the-ateam-ai.firebasestorage.app/ateam-brain/)
    ↓ importRagFiles API
Vertex AI RAG Engine (corpus: ateam-brain, us-central1)
    ↓ API call desde browser con OAuth token (sessionStorage)
business.html
  ├── Auth: Firebase + Google OAuth (sin re-login si ya logueado)
  ├── IA: Gemini 2.5 Pro + RAG adaptativo (top-k: 10)
  ├── CRM: Firebase Realtime DB → contexto inyectado automáticamente
  ├── Multi-turn: historial completo por sesión (hasta 30 msgs previos)
  ├── Storage: Firebase Realtime DB (sesiones por usuario)
  └── UI: multi-sesión, adjuntos, fuentes citadas, descarga HTML

---

Cómo agregar o editar documentos

1. Cloná o abrí el repo mhernayes-ateam/ateam_docs
2. Editá o creá el .md en la carpeta docs/ correspondiente
3. git commit + git push origin main
4. La GitHub Action sincroniza y re-indexa automáticamente (~2 min)
5. Alberto ya sabe lo que dice ese documento ✓

---

Costo estimado

Acción	Costo
Indexar 31 docs	~$0
Cada query (Gemini 2.5 Pro)	~$0.005–0.02
Storage GCS (~5 MB)	~$0.00/mes
GitHub Actions (sync)	Gratis

Con los créditos de GCP ($297 restantes) hay para meses de uso interno.