# Gemma de Embedding Agentic Rag

> Esta aplicação Streamlit demonstra um Agente de Geração Aumentada por Recuperação (RAG) agentic utilizando o EmbeddingGemma do Google para embeddings e Llama 3.2 como modelo de linguagem, tudo a funcionar localmente via Ollama.

- Fonte: https://doutorai.pt/apps/agentic-rag-embedding-gemma
- Categoria: RAG e Conhecimento
- Dificuldade: Médio
- Modelos: Llama
- Frameworks: Agno, Ollama (local)
- Corre local?: Sim (Ollama)
- Chaves necessárias: Nenhuma
- Licença: Apache-2.0
- Site: Doutor AI (https://doutorai.pt) - ferramentas de IA para pequenos negócios em português

## Tutorial completo

## 🔥 Agentic RAG com EmbeddingGemma

### 🎓 Tutorial Passo-a-Passo GRÁTIS
**👉 [Clica aqui para seguir o nosso tutorial completo passo-a-passo](https://www.theunwindai.com/p/build-a-local-agentic-rag-app-with-google-embeddinggemma) e aprende como construir isto do zero com explicações detalhadas e melhores práticas.**

Esta aplicação Streamlit demonstra um Agente de Geração Aumentada por Recuperação (RAG) agentic utilizando o EmbeddingGemma da Google para embeddings e o Llama 3.2 como modelo de linguagem, tudo a correr localmente através do Ollama.

### Funcionalidades

- **Modelos de IA Locais**: Utiliza o EmbeddingGemma para embeddings vetoriais e o Llama 3.2 para geração de texto
- **Base de Conhecimento em PDF**: Adiciona dinamicamente URLs de PDFs para construir uma base de conhecimento
- **Pesquisa Vetorial**: Pesquisa de similaridade eficiente utilizando o LanceDB
- **Interface Interativa**: Interface Streamlit bonita para adicionar fontes e realizar consultas
- **Respostas em Streaming**: Geração de respostas em tempo real com visibilidade de chamadas de ferramentas

### Como Começar?

1. Clona o repositório do GitHub

```bash
git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/rag_tutorials/agentic_rag_embedding_gemma
```

```markdown
# 2. Instala as dependências necessárias:

Para instalar as dependências necessárias, executa o seguinte comando:

```bash
npm install
```
```

```bash
pip install -r requirements.txt
```

```markdown
3. Assegura que o Ollama está instalado e a funcionar com os modelos necessários:
   - Faz o download dos modelos: `ollama pull embeddinggemma:latest` e `ollama pull llama3.2:latest`
   - Inicia o servidor Ollama se não estiver a funcionar

4. Executa a aplicação Streamlit:
```

```bash
streamlit run agentic_rag_embeddinggemma.py
```

```markdown
(Note: O ficheiro da aplicação está no diretório raiz)

5. Abre o teu navegador web na URL fornecida (geralmente http://localhost:8501) para interagir com o agente RAG.

### Como Funciona?

1. **Configuração da Base de Conhecimento**: Adiciona URLs de PDFs na barra lateral para carregar e indexar documentos.
2. **Geração de Embeddings**: EmbeddingGemma cria embeddings vetoriais para pesquisa semântica.
3. **Processamento de Consultas**: As consultas dos utilizadores são incorporadas e pesquisadas na base de conhecimento.
4. **Geração de Respostas**: Llama 3.2 gera respostas com base no contexto recuperado.
5. **Integração de Ferramentas**: O agente utiliza ferramentas de pesquisa para obter informações relevantes.

### Requisitos

- Python 3.8+
- Ollama instalado e a funcionar
- Modelos necessários: `embeddinggemma:latest`, `llama3.2:latest`

### Tecnologias Utilizadas

- **Agno**: Framework para construção de agentes de IA
- **Streamlit**: Framework para aplicações web
- **LanceDB**: Base de dados vetorial
- **Ollama**: Servidor LLM local
- **EmbeddingGemma**: Modelo de embedding do Google
- **Llama 3.2**: Modelo de linguagem da Meta
```

## Poupe horas todas as semanas com IA, sem complicações

O **Doutor AI** dá-lhe 1859 prompts de IA prontos a copiar, por indústria e em português simples - mais uma biblioteca técnica completa para quem quer ir mais longe. [Ver planos →](https://doutorai.pt/precos)

---
Conteúdo de Doutor AI (https://doutorai.pt). Ao citar, indique a fonte: https://doutorai.pt/apps/agentic-rag-embedding-gemma