📚 Pré-requisitos Teóricos: este projeto aplica conceitos ensinados em Guia de Inteligência Artificial. Recomendado revisar antes de começar.

🤖 Pipeline RAG com Embeddings & LLM API

v1.0 — Inteligência Artificial, Retrieval-Augmented Generation, Vector DBs e LangChain

Trilha de Especialização Pedagógica — Projeto 1 de 4

• ➡️ v1 (este): Pipeline RAG · Vector DB (Chroma) · Embeddings · Injeção Contextual
• v2: Agente Autônomo com Function Calling & Tool Use
• v3: Fine-Tuning de LLMs com LoRA / QLoRA
• v4: Sistema de Avaliação de IA com RAGAS & Guardrails de Segurança

🎓 Nível Profissional Simulado: Engenheiro de Inteligência Artificial / LLM Developer. A habilidade mais procurada no mercado de inteligência artificial aplicada é construir sistemas RAG (Retrieval-Augmented Generation): permitindo que modelos como GPT-4 ou Gemini consultem manuais, contratos e bases de dados corporativas em tempo real sem alucinações.

—`

🎯 Objetivo & Escopo do Projeto

Construir um Pipeline RAG (Retrieval-Augmented Generation) completo em Python, implementando carregamento de PDFs/manuais, divisão de texto em chunks com sobreposição, geração de Embeddings Vetoriais, armazenamento e busca por similaridade semântica em Vector Database e resposta contextualizada via LLM.

—`

🧑‍💼 Fase 1 — Levantamento de Requisitos

O Briefing do Cliente (Head de Inovação & IA)

“Nossos atendentes de suporte gastam 20 minutos buscando regras nos 50 PDFs de políticas internas da empresa. Queremos um assistente de IA onde o operador faça uma pergunta em linguagem natural, o sistema busque os 3 trechos mais relevantes dos manuais e a LLM responda de forma resumida e cite a página exata da fonte oficial, sem inventar informações.”

Requisitos Funcionais (RF) e Não-Funcionais (RNF)

—`

📋 Fase 2 — Backlog & User Stories

—`

🌿 Fase 3 — Engenharia em Equipe (Git Flow & Setup)

# Branch da funcionalidade
git checkout -b feature/US01-rag-pipeline-embeddings

# Executar o pipeline RAG
python rag_pipeline.py

—`

🛠️ Fase 4 — Implementação Guiada (rag_pipeline.py)

from sentence_transformers import SentenceTransformer
import chromadb

# 1. Inicializar modelo de Embeddings e Banco Vetorial
model = SentenceTransformer('all-MiniLM-L6-v2')
client = chromadb.Client()
collection = client.create_collection("politicas_empresa")

# 2. Indexar documentos corporativos
docs = [
    "A política de reembolso prevê devolução integral em até 7 dias úteis.",
    "O cancelamento de assinaturas pode ser feito pelo portal a qualquer momento."
]
embeddings = model.encode(docs).tolist()
collection.add(ids=["doc1", "doc2"], documents=docs, embeddings=embeddings)

# 3. Busca por Similaridade Semântica
pergunta = "Em quantos dias recebo meu dinheiro de volta?"
pergunta_emb = model.encode([pergunta]).tolist()
resultados = collection.query(query_embeddings=pergunta_emb, n_results=1)

print("Contexto Recuperado com Sucesso:", resultados['documents'][0])

—`

🚀 Como Executar no Laboratório

1. Abra o terminal na pasta deste projeto

No seu editor/IDE, abra a pasta deste projeto (File > Open Folder) ou navegue via terminal:

cd ia_01_rag_embeddings_llm

2. Execute a aplicação ou testes

pip install -r requirements.txt
python app.py

[!TIP] Dica para execução a partir da raiz do repositório: Se você abriu o repositório completo no VS Code, basta navegar até a pasta antes de executar: cd proj_aplicacoes_full_stack/projetos/ia_01_rag_embeddings_llm`

🧭 Decisões de Arquitetura (ADRs)

• ADR 001: Adoção do padrão RAG com ChromaDB para erradicar alucinações e proteger dados privados.

—`

🧪 Testes de Validação & Similaridade

• Teste de Similaridade: Pergunta semântica recupera o documento de reembolso com score de confiança superior a 0.88.

—`

✅ Checkpoint Final

1. Documentos vetorizados e indexados no ChromaDB.
2. Resposta contextualizada gerada com citação de fontes.