RAG Agentic com GPT-5

🎓 Tutorial Passo-a-Passo GRÁTIS

👉 Clica aqui para seguir o nosso tutorial completo passo-a-passo e aprende como construir isto do zero com explicações detalhadas e melhores práticas.

Uma aplicação agentic RAG construída com o framework Agno, apresentando o GPT-5 e o LanceDB para uma recuperação de conhecimento e resposta a perguntas eficientes.

✨ Funcionalidades

• 🤖 GPT-5: Último modelo da OpenAI para respostas inteligentes
• 🗄️ LanceDB: Base de dados vetorial leve para pesquisa de similaridade rápida
• 🔍 Agentic RAG: Geração aumentada por recuperação inteligente
• 📝 Formatação Markdown: Respostas bonitas e estruturadas
• 🌐 Conhecimento Dinâmico: Adiciona URLs para expandir a base de conhecimento
• ⚡ Streaming em Tempo Real: Vê as respostas a serem geradas ao vivo
• 🎯 Interface Limpa: UI simplificada sem complexidade de configuração

🚀 Início Rápido

Pré-requisitos

• Python 3.11+
• Chave de API da OpenAI com acesso ao GPT-5

Instalação

1. Clona e navega até ao projeto

   cd rag_tutorials/agentic_rag_gpt5

Instalação de Dependências

Para instalar as dependências necessárias, executa o seguinte comando:

npm install

3. Configuração do Ambiente

Antes de começares a usar a aplicação, deves configurar as variáveis de ambiente. Cria um ficheiro .env na raiz do projeto e adiciona as seguintes variáveis:

DATABASE_URL=your_database_url

API_KEY=your_api_key

4. **Executar a Aplicação**

Para iniciar a aplicação, utiliza o comando:

```bash
npm start

5. Testes

Para executar os testes, utiliza o seguinte comando:

npm test

6. Construir a Aplicação

Para construir a aplicação para produção, utiliza:

npm run build

7. Contribuição

Se desejas contribuir para este projeto, por favor, segue os seguintes passos:

1. Faz um fork do repositório.
2. Cria uma nova branch para a tua funcionalidade ou correção de bug.
3. Faz as tuas alterações e commit.
4. Envia um pull request.

   pip install -r requirements.txt

3. Configura a tua chave de API da OpenAI

   export OPENAI_API_KEY="your-api-key-here"

Configuração do Ambiente

Para começar, deves configurar o ambiente da tua aplicação. Podes fazer isso de duas maneiras: através de variáveis de ambiente ou criando um ficheiro .env.

Usar Variáveis de Ambiente

Define as seguintes variáveis de ambiente:

export DATABASE_URL="url_da_base_de_dados"
export API_KEY="tua_chave_api"

Criar um Ficheiro .env

Ou cria um ficheiro .env:

DATABASE_URL=url_da_base_de_dados

API_KEY=tua_chave_api

## Instalação

Para instalar as dependências necessárias, executa:

```bash
npm install

Execução

Para iniciar a aplicação, utiliza o seguinte comando:

npm start

Testes

Para executar os testes, usa:

npm test

Contribuição

Se desejas contribuir para este projeto, por favor, segue as diretrizes de contribuição no ficheiro CONTRIBUTING.md.

OPENAI_API_KEY=your-api-key-here

4. **Executa a aplicação**


```bash
streamlit run agentic_rag_gpt5.py

🎯 Como Usar

1. Insere a tua chave de API da OpenAI na barra lateral
2. Adiciona fontes de conhecimento inserindo URLs na barra lateral
3. Faz perguntas utilizando a área de texto ou os prompts sugeridos
4. Vê as respostas a serem transmitidas em tempo real com formatação markdown

Perguntas Sugeridas

• "O que é Agno?" - Aprende sobre o framework Agno e os agentes
• "Equipes no Agno" - Compreende como as equipas funcionam no Agno
• "Construir sistema RAG" - Obtém um guia passo a passo para construir sistemas RAG

🏗️ Arquitetura

Componentes Principais

• Agent: Orquestra todo o processo de Q&A
• UrlKnowledge: Gere o carregamento de documentos a partir de URLs
• LanceDb: Base de dados vetorial para pesquisa de similaridade eficiente
• OpenAIEmbedder: Converte texto em embeddings
• OpenAIChat: Modelo GPT-5-nano para gerar respostas

Fluxo de Dados

1. Carregamento de Conhecimento: URLs são processadas e armazenadas no LanceDB
2. Pesquisa Vetorial: Embeddings da OpenAI permitem pesquisa semântica
3. Geração de Respostas: O GPT-5-nano processa a informação e gera respostas
4. Saída em Streaming: Exibição em tempo real de respostas formatadas

🔧 Configuração

Definições da Base de Dados

• Base de Dados Vetorial: LanceDB com armazenamento local
• Nome da Tabela: agentic_rag_docs
• Tipo de Pesquisa: Pesquisa de similaridade vetorial

📚 Gestão de Conhecimento

Adicionando Fontes

• Usa a barra lateral para adicionar novas URLs
• As fontes são processadas e indexadas automaticamente
• As fontes atuais são exibidas como uma lista numerada

Conhecimento Padrão

• Começa com a documentação do Agno: https://docs.agno.com/introduction/agents.md
• Expandível com qualquer documentação baseada na web

🎨 Funcionalidades da UI

Barra Lateral

• Gestão da Chave de API: Entrada segura para credenciais da OpenAI
• Adição de URL: Expansão dinâmica da base de conhecimento
• Fontes Actuais: Lista numerada de URLs carregadas

Interface Principal

• Prompts Sugeridos: Acesso rápido a perguntas comuns
• Entrada de Consulta: Área de texto grande para perguntas personalizadas
• Streaming em Tempo Real: Geração de respostas ao vivo
• Renderização Markdown: Respostas formatadas de forma bonita