Nesse material você encontra todo o passo a passo para criação de um RAG em Python conforme ensinado no material teórico.

O que você encontrará aqui

• Criação de RAG via retriever
• Criação de RAG via system context
• Visualização do .faiss
• Geração de gráficos dos embeddings

requirements.txt

Para instalação crie o arquivo requirements.txt em sua máquina e execute:

pip install -r requirements.txt

• RAG + Retriever
• RAG + Context

Qual a vantagem de cada modelo?

1) RAG + RETRIEVER

✅ Vantagens:

• Abstração pronta da LangChain: cuida do fluxo completo:
  1. Usa o retriever para buscar os documentos.
  2. Insere automaticamente os chunks recuperados no prompt do LLM.
  3. Executa a resposta.
• Menos código: você escreve pouco e já tem o pipeline completo (retrieve + generate).
• Retorna fontes se return_source_documents=True.

❌ Limitações:

• Menor controle sobre o prompt: o template usado é fixo.
• Menor flexibilidade para customizar o formato da resposta ou lógica intermediária.

2. RAG + CONTEXT

✅ Vantagens:

• Controle total do prompt: você pode escrever o system prompt como quiser (ex: com regras, tom de voz, persona etc).
• Customização: ideal se você precisa integrar regras de negócio, respostas com formatos específicos ou lógica complexa.
• Mais próximo da API original da OpenAI.

❌ Limitações:

• Você precisa buscar os documentos manualmente com o retriever e passar o contexto como string.
• Mais código e mais responsabilidade (ex: truncar se o contexto ficar grande demais para o token limit).

SCRIPTS EXTRAS

• Geração de gráfico dos embeddings
• Visualizar FAISS

PDF TEORIA