RAG Agentic com Raciocínio

🎓 Tutorial Passo-a-Passo GRÁTIS

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

Um sistema RAG sofisticado que demonstra o processo de raciocínio passo-a-passo de um agente de IA utilizando Agno, Gemini e OpenAI. Esta implementação permite aos utilizadores adicionar fontes web, fazer perguntas e observar o processo de pensamento do agente em tempo real com capacidades de raciocínio.

Funcionalidades

1. Gestão Interativa da Base de Conhecimento

• Adiciona URLs dinamicamente para conteúdo web
• Fonte de conhecimento por defeito: artigo MCP vs A2A Protocol
• Armazenamento persistente de base de dados vetorial utilizando LanceDB
• O rastreio do estado da sessão evita o carregamento duplicado de URLs

2. Processo de Raciocínio Transparente

• Exibição em tempo real dos passos de pensamento do agente
• Vista lado a lado do raciocínio e da resposta final
• Visibilidade clara no processo RAG

3. Capacidades Avançadas de RAG

• Pesquisa vetorial utilizando embeddings da OpenAI para correspondência semântica
• Atribuição de fontes com citações

Configuração do Agente

• Gemini 2.5 Flash para processamento de linguagem
• Modelo de embedding da OpenAI para pesquisa vetorial
• ReasoningTools para análise passo-a-passo
• Instruções personalizáveis para o agente
• Fonte de conhecimento por defeito: artigo MCP vs A2A Protocol

Pré-requisitos

Vais precisar das seguintes chaves de API:

1. Chave de API do Google

• Regista-te em aistudio.google.com
• Navega até à secção de Chaves de API
• Cria uma nova chave de API

2. Chave de API da OpenAI

• Regista-te em platform.openai.com
• Navega até à secção de Chaves de API
• Gera uma nova chave de API

Como Executar

1. Clona o Repositório:

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


**Instalação do projeto**

**1. Instala as dependências**

Para instalar as dependências do projeto, executa o seguinte comando:

```bash
npm install

2. Configuração do ambiente

Certifica-te de que tens as variáveis de ambiente necessárias configuradas. Podes usar um ficheiro .env como exemplo:

DATABASE_URL=your_database_url

API_KEY=your_api_key

## 3. Executa o projeto

Para iniciar o projeto, utiliza o comando:

```bash
npm start

4. Testes

Para executar os testes, usa o seguinte comando:

npm test

5. Contribuição

Se desejas contribuir para este projeto, segue os passos abaixo:

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.

6. Licença

Este projeto está licenciado sob a MIT License. Consulta o ficheiro LICENSE para mais informações.

    pip install -r requirements.txt
    ```


3. **Executa a Aplicação:**

streamlit run rag_reasoning_agent.py

```

4. Configura as Chaves da API:

• Introduz a tua chave da API do Google no primeiro campo
• Introduz a tua chave da API da OpenAI no segundo campo
• Ambas as chaves são necessárias para o funcionamento da aplicação

5. Usa a Aplicação:

• Fonte de Conhecimento Padrão: A aplicação vem pré-carregada com o artigo sobre o protocolo MCP vs A2A
• Adicionar Fontes de Conhecimento: Usa a barra lateral para adicionar URLs à tua base de conhecimento
• Sugestões de Perguntas: Clica nos botões de sugestão (O que é MCP?, MCP vs A2A, Comunicação do Agente) para perguntas rápidas
• Fazer Perguntas: Introduz consultas no campo de entrada principal
• Ver Raciocínio: Observa o processo de pensamento do agente a desenrolar-se em tempo real no painel esquerdo
• Obter Respostas: Recebe respostas abrangentes com citações de fontes no painel direito

Como Funciona

A aplicação utiliza um sofisticado pipeline RAG com Agno v2.0:

Configuração da Base de Conhecimento

• Documentos são carregados a partir de URLs usando a classe Knowledge do Agno
• O texto é automaticamente dividido em partes e incorporado usando o modelo de incorporação da OpenAI
• Vectores são armazenados no LanceDB para recuperação eficiente
• A pesquisa por vectores permite correspondência semântica para informação relevante
• URLs são rastreadas no estado da sessão para evitar carregamentos duplicados

Processamento do Agente

• Consultas do utilizador desencadeiam o processo de raciocínio do agente
• ReasoningTools ajudam o agente a pensar passo a passo
• O agente pesquisa na base de conhecimento por informação relevante
• O Gemini 2.5 Flash gera respostas abrangentes com citações
• Eventos de streaming fornecem atualizações em tempo real sobre o raciocínio e conteúdo

Fluxo da UI

• Introduz as chaves da API → A base de conhecimento carrega com o artigo padrão MCP vs A2A → Usa as sugestões de perguntas ou faz perguntas personalizadas
• Processo de raciocínio exibido no painel esquerdo, geração de respostas no painel direito
• Fontes citadas para transparência e verificação
• Todos os eventos transmitidos em tempo real para uma melhor experiência do utilizador