# Agente de Raciocínio RAG Local Deepseek

> Um poderoso agente de raciocínio que combina modelos locais Deepseek com capacidades RAG. Construído utilizando Deepseek (via Ollama), Snowflake para embeddings, Qdrant para armazenamento vetorial e Agno para orquestração de agentes, esta aplicação oferece tanto chat local simples como interações avançadas melhoradas por RAG com processamento de documentos abrangente e capacidades de pesquisa na web.

- Fonte: https://doutorai.pt/apps/deepseek-local-rag-agent
- Categoria: RAG e Conhecimento
- Dificuldade: Médio
- Modelos: Llama, DeepSeek
- Frameworks: Agno, LangChain, 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

# 🐋 Deepseek Local RAG Reasoning Agent 

### 🎓 Tutorial Passo-a-Passo GRÁTIS 
**👉 [Clica aqui para seguir o nosso tutorial completo passo-a-passo](https://www.theunwindai.com/p/build-a-local-rag-reasoning-agent-with-deepseek-r1) e aprende como construir isto do zero com explicações detalhadas e melhores práticas.**

Um poderoso agente de raciocínio que combina modelos locais Deepseek com capacidades RAG. Construído utilizando Deepseek (via Ollama), Snowflake para embeddings, Qdrant para armazenamento de vetores, e Agno para orquestração de agentes, esta aplicação oferece tanto um chat local simples como interações avançadas melhoradas por RAG com processamento de documentos abrangente e capacidades de pesquisa na web.

## Funcionalidades

- **Modos de Operação Dupla**
  - Modo Chat Local: Interação direta com Deepseek localmente
  - Modo RAG: Raciocínio melhorado com contexto de documentos e integração de pesquisa na web - llama3.2

- **Processamento de Documentos** (Modo RAG)
  - Upload e processamento de documentos PDF
  - Extração de conteúdo de páginas web
  - Divisão automática de texto e embedding
  - Armazenamento de vetores na nuvem Qdrant

- **Consultas Inteligentes** (Modo RAG)
  - Recuperação de documentos baseada em RAG
  - Pesquisa de similaridade com filtragem por limiar
  - Retorno automático à pesquisa na web
  - Atribuição de fontes para respostas

- **Capacidades Avançadas**
  - Integração de pesquisa na web Exa AI
  - Filtragem de domínio personalizado para pesquisa na web
  - Geração de respostas ciente do contexto
  - Gestão do histórico de chat
  - Visualização do processo de pensamento

- **Funcionalidades Específicas do Modelo**
  - Seleção de modelo flexível:
    - Deepseek r1 1.5b (mais leve, adequado para a maioria dos portáteis)
    - Deepseek r1 7b (mais capaz, requer hardware melhor)
  - Modelo de Embedding Snowflake Arctic (SOTA) para embeddings de vetores
  - Framework Agno Agent para orquestração
  - Interface interativa baseada em Streamlit

## Pré-requisitos

### 1. Configuração do Ollama
1. Instala [Ollama](https://ollama.ai)
2. Faz o pull do(s) modelo(s) Deepseek r1:

```bash
# For the lighter model
ollama pull deepseek-r1:1.5b

# For the more capable model (if your hardware supports it)
ollama pull deepseek-r1:7b

ollama pull snowflake-arctic-embed
ollama pull llama3.2
```

### 2. Configuração do Qdrant Cloud (para Modo RAG)
1. Visita [Qdrant Cloud](https://cloud.qdrant.io/)
2. Cria uma conta ou faz login
3. Cria um novo cluster
4. Obtém as tuas credenciais:
   - Qdrant API Key: Encontrada na secção de API Keys
   - Qdrant URL: A URL do teu cluster (formato: `https://xxx-xxx.cloud.qdrant.io`)

### 3. Chave de API do Exa AI (Opcional)
1. Visita [Exa AI](https://exa.ai)
2. Regista-te para uma conta
3. Gera uma chave de API para capacidades de pesquisa na web

## Como Executar

1. Clona o repositório:

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

```markdown
# 2. Instalar dependências:

Para instalar as dependências necessárias, executa o seguinte comando:

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

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

```markdown
# 3. Executa a aplicação:

Para executar a aplicação, utiliza o seguinte comando:

```bash
npm start
```

A aplicação estará disponível em `http://localhost:3000`.

## 3.1. Parâmetros de execução

Podes passar parâmetros adicionais ao iniciar a aplicação. Aqui estão alguns exemplos:

- `--port`: Especifica a porta em que a aplicação irá correr.
- `--env`: Define o ambiente (por exemplo, `development`, `production`).

Exemplo de execução com parâmetros:

```bash
npm start -- --port 4000 --env production
```

## 3.2. Parar a aplicação

Para parar a aplicação, utiliza `Ctrl + C` no terminal onde a aplicação está a correr.
```

```bash
streamlit run deepseek_rag_agent.py
```

## 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/deepseek-local-rag-agent