Rag app

Projeto de RAG (Retrieval-Augmented Generation) com LangChain e Google Gemini. Usa dados fictícios da empresa (ex: dados_empresa.txt) para gerar respostas precisas e humanizadas. Ideal para chatbots internos, assistentes de conhecimento ou sistemas de suporte. Inclui: carregamento de dados, chunking inteligente, embeddings e busca semântica

Technologies

• python
• Cloud console
• Docker
• PostgreSql
• PGVector

Running the Project

1. Crie e ative um ambiente virtual Python.

   python -m venv .venv
   source .venv/bin/activate

2. Instale as dependências.

   pip install -r requirements.txt

3. Configure a variável de ambiente da API do Google Gemini.

   Crie um arquivo .env na raiz do projeto com o mesmo nome usado pelo código:

   CHAVE_API_GOOGLE=cole_sua_chave_aqui

4. Suba o PostgreSQL usando uma imagem do Docker que já venha com pgvector.

   O projeto foi pensado para conversar com um PostgreSQL local, então o mais simples é subir um container com a extensão pronta. A imagem oficial do pgvector no Docker Hub é esta: pgvector/pgvector.

   O código usa por padrão esta conexão:

   postgresql://postgres:senha123@localhost:5432/rag_db
   

   Exemplo rápido com Docker:

   docker run --name rag-db \
       -e POSTGRES_USER=postgres \
       -e POSTGRES_PASSWORD=senha123 \
       -e POSTGRES_DB=rag_db \
       -p 5432:5432 \
       -d pgvector/pgvector:pg16

   Se você usar outro usuário, senha, host ou banco, ajuste o valor em consume_api/rag_core.py e no script de carga.

5. Crie o banco e a tabela esperados pelo projeto, caso ainda não existam.

   CREATE EXTENSION IF NOT EXISTS vector;
   CREATE DATABASE rag_db;
   
   \c rag_db
   
   CREATE TABLE IF NOT EXISTS documentos (
   	 id SERIAL PRIMARY KEY,
   	 document_id VARCHAR(255),
   	 chunk_text TEXT NOT NULL,
   	 chunk_index INTEGER,
   	 section VARCHAR(255),
   	 embedding VECTOR(3072),
   	 metadata JSONB,
   	 created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
   );

6. Disponibilize o arquivo de origem usado na carga de dados.

   O pipeline de ingestão procura o arquivo data_example/wiki_nexus_monitor.txt. Se ele não existir no seu ambiente, copie o conteúdo para esse caminho ou ajuste o caminho em consume_api/insert_data_in_database/make_chunks.py.

7. Carregue os dados no banco.

   Execute a partir da raiz do repositório:

   python -m consume_api.insert_data_in_database.inserir_dados_postgres

8. Inicie a aplicação.

   streamlit run consume_api/interface_main.py

   A interface vai abrir no navegador e consultar os dados já inseridos na tabela documentos.

Preview

rag_app.mp4

Authors

• Renato Oliveira
• Addriel Teixeira Pereira
• Gabriel Moreira da Silva
• Ricardo Formigoni Souza