Agente RAG com Roteamento de Base de Dados

🎓 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.

Uma aplicação Streamlit que demonstra uma implementação avançada de Agente RAG com roteamento de consultas inteligente. O sistema combina várias bases de dados especializadas com mecanismos de fallback inteligentes para garantir respostas fiáveis e precisas às consultas dos utilizadores.

Funcionalidades

• Upload de Documentos: Os utilizadores podem fazer upload de múltiplos documentos PDF relacionados com uma determinada empresa. Estes documentos são processados e armazenados numa das três bases de dados: Informação de Produto, Suporte ao Cliente & FAQ, ou Informação Financeira.

• Consultas em Linguagem Natural: Os utilizadores podem fazer perguntas em linguagem natural. O sistema roteia automaticamente a consulta para a base de dados mais relevante utilizando um agente agno como roteador.

• Orquestração RAG: Utiliza Langchain para orquestrar o processo de geração aumentada de recuperação, garantindo que a informação mais relevante é recuperada e apresentada ao utilizador.

• Mecanismo de Fallback: Se não forem encontrados documentos relevantes nas bases de dados, um agente LangGraph com uma ferramenta de pesquisa DuckDuckGo é utilizado para realizar pesquisa na web e fornecer uma resposta.

Como Executar?

1. Clona o Repositório:

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

2. Instalar Dependências:

Para instalar as dependências necessárias, executa o seguinte comando:

npm install

Isto irá instalar todas as bibliotecas e pacotes necessários para o funcionamento do projeto.

3. Configurar o Ambiente:

Antes de iniciares 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

Certifica-te de substituir `your_database_url` e `your_api_key` pelos valores corretos.

# 4. **Executar a Aplicação**:

Para iniciar a aplicação, utiliza o seguinte comando:

```bash
npm start

Isto irá iniciar o servidor e a aplicação estará disponível em http://localhost:3000.

5. Testar a Aplicação:

Para executar os testes, utiliza o comando:

npm test

Isto irá correr todos os testes definidos no projeto e mostrar os resultados no terminal.

6. Construir a Aplicação:

Se precisares de construir a aplicação para produção, utiliza:

npm run build

Isto irá gerar os ficheiros otimizados na pasta dist.

7. Documentação:

Para mais informações sobre como utilizar e contribuir para este projeto, consulta a documentação disponível em Documentação do Projeto.

   pip install -r requirements.txt

3. Executa a Aplicação:

   streamlit run rag_database_routing.py

4. Obter Chave da API OpenAI: Obtém uma chave da API OpenAI e define-a na aplicação. Isto é necessário para inicializar os modelos de linguagem utilizados na aplicação.

5. Configurar Qdrant Cloud

• Visita Qdrant Cloud
• Cria uma conta ou faz login
• Cria um novo cluster
• Obtém as tuas credenciais:
• Chave da API Qdrant: Encontrada na secção de Chaves da API
• URL Qdrant: A URL do teu cluster (formato: https://xxx-xxx.aws.cloud.qdrant.io)

5. Carregar Documentos: Usa a secção de upload de documentos para adicionar documentos PDF à base de dados desejada.

6. Fazer Perguntas: Introduz as tuas perguntas na secção de consulta. A aplicação irá encaminhar a tua pergunta para a base de dados apropriada e fornecer uma resposta.

Tecnologias Utilizadas

• Langchain: Para orquestração RAG, garantindo a recuperação e geração eficiente de informação.
• Agno Agent: Usado como agente de roteamento para determinar a base de dados mais relevante para uma dada consulta.
• LangGraph Agent: Actua como um mecanismo de fallback, utilizando DuckDuckGo para pesquisa na web quando necessário.
• Streamlit: Fornece uma interface amigável para upload de documentos e consultas.
• Qdrant: Usado para gerir as bases de dados, armazenando e recuperando embeddings de documentos de forma eficiente.

Como Funciona?

1. Roteamento de Consultas

O sistema utiliza uma abordagem de roteamento em três etapas:

• Pesquisa de similaridade vetorial em todas as bases de dados
• Roteamento baseado em LLM para consultas ambíguas
• Fallback de pesquisa na web para tópicos desconhecidos

2. Processamento de Documentos

• Extração automática de texto de PDFs
• Divisão inteligente de texto com sobreposição
• Geração de embeddings vetoriais
• Armazenamento eficiente na base de dados

3. Geração de Respostas

• Recuperação consciente do contexto
• Combinação inteligente de documentos
• Respostas baseadas em confiança
• Integração de pesquisa na web