# Agente Local Rag

> Esta aplicação implementa um sistema de Geração Aumentada por Recuperação (RAG) utilizando Llama 3.2 via Ollama, com Qdrant como base de dados vetorial. Desenvolvida com Agno v2.0.

- Fonte: https://doutorai.pt/apps/local-rag-agent
- 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

## 🦙 Agente RAG Local com Llama 3.2

### 🎓 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-agent) e aprende a construir isto do zero com explicações detalhadas e melhores práticas.**

Esta aplicação implementa um sistema de Geração Aumentada por Recuperação (RAG) utilizando Llama 3.2 através de Ollama, com Qdrant como a base de dados vetorial. Construído com Agno v2.0.

### Funcionalidades
- Implementação RAG totalmente local
- Alimentado por Llama 3.2 através de Ollama
- Pesquisa vetorial utilizando Qdrant
- Interface interativa AgentOS
- Sem dependências de APIs externas
- Utiliza a classe Knowledge do Agno v2.0 para gestão de documentos

### Como Começar?

1. Clona o repositório do GitHub

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

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

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

```bash
cd awesome-llm-apps/rag_tutorials/local_rag_agent
pip install -r requirements.txt
```

# 3. Instala e inicia a base de dados vetorial [Qdrant](https://qdrant.tech/) localmente

Para instalar e iniciar a base de dados vetorial Qdrant localmente, segue os passos abaixo:

## Pré-requisitos

Antes de começares, assegura-te de que tens os seguintes pré-requisitos instalados:

- Docker
- Docker Compose

## Passo 1: Clonar o repositório

Primeiro, clona o repositório Qdrant:

```bash
git clone https://github.com/qdrant/qdrant.git
cd qdrant
```

## Passo 2: Iniciar o Qdrant

Utiliza o Docker Compose para iniciar o Qdrant:

```bash
docker-compose up
```

Isto irá iniciar o Qdrant na porta 6333 por defeito.

## Passo 3: Verificar a instalação

Para verificar se o Qdrant está a funcionar corretamente, abre o teu navegador e vai até a seguinte URL:

```
http://localhost:6333
```

Deves ver uma resposta JSON que indica que o Qdrant está a funcionar.

## Passo 4: Parar o Qdrant

Para parar o Qdrant, utiliza o seguinte comando:

```bash
docker-compose down
```

Agora já tens o Qdrant instalado e a funcionar localmente!

```bash
docker pull qdrant/qdrant
docker run -p 6333:6333 qdrant/qdrant
```

```markdown
4. Instala [Ollama](https://ollama.com/download) e faz o pull do Llama 3.2 para LLM e do OpenHermes como o embedder para OllamaEmbedder
```

```bash
ollama pull llama3.2
ollama pull openhermes
```

# 5. Executa o Agente AI RAG

Para executar o Agente AI RAG, segue os passos abaixo:

## Pré-requisitos

Antes de começares, assegura-te de que tens os seguintes pré-requisitos instalados:

- Python 3.7 ou superior
- As bibliotecas necessárias listadas no `requirements.txt`

## Passos

1. **Clona o repositório**

   ```bash
   git clone <URL_DO_REPOSITÓRIO>
   cd <NOME_DO_REPOSITÓRIO>
   ```

2. **Instala as dependências**

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

3. **Configura as variáveis de ambiente**

   Cria um ficheiro `.env` na raiz do projeto e adiciona as seguintes variáveis:

   ```plaintext
   VARIABLE_NAME=value
   ```

4. **Executa o agente**

   Para iniciar o agente, utiliza o seguinte comando:

   ```bash
   python main.py
   ```

5. **Interage com o agente**

   Após a execução, poderás interagir com o agente através da interface de linha de comandos ou da interface gráfica, dependendo da configuração que escolheste.

## Dicas

- Certifica-te de que a tua conexão à internet está ativa, pois o agente pode precisar de aceder a recursos online.
- Consulta a documentação para mais informações sobre as funcionalidades disponíveis e como utilizá-las.

## Problemas Comuns

- **Erro de dependência**: Se encontrares erros relacionados com dependências, verifica se todas as bibliotecas estão corretamente instaladas.
- **Problemas de configuração**: Assegura-te de que as variáveis de ambiente estão corretamente definidas no ficheiro `.env`.

Para mais informações, consulta a [documentação oficial](<URL_DA_DOCUMENTAÇÃO>).

```bash
python local_rag_agent.py
```

```markdown
6. Abre o teu navegador web e navega até à URL fornecida na saída do console (tipicamente `http://localhost:7777`) para interagir com o agente RAG através da interface AgentOS.

### Nota
- A base de conhecimento carrega um PDF de Receitas Tailandesas na primeira execução. Podes comentar a linha `knowledge_base.add_content()` após a primeira execução para evitar recarregamentos.
- A interface AgentOS fornece uma UI baseada na web para interagir com o teu agente.
```

## 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/local-rag-agent