| # RAG Conversacional com Upload de PDF e Histórico de Chat | |
| Este projeto implementa um sistema de Recuperação de Informações Aumentada por Geração (RAG) conversacional usando Streamlit, LangChain, e modelos de linguagem de grande escala. O aplicativo permite que os usuários façam upload de documentos PDF, façam perguntas sobre o conteúdo desses documentos, e mantenham um histórico de chat para contexto em conversas contínuas. | |
| ## Autor | |
| Reinaldo Chaves ([email protected]) | |
| ## Características | |
| - Interface de usuário Streamlit com tema dark | |
| - Upload de múltiplos arquivos PDF | |
| - Processamento de documentos usando LangChain e ChromaDB | |
| - Geração de respostas usando o modelo Gemma2-9b-It da Groq | |
| - Embeddings de texto usando o modelo all-MiniLM-L6-v2 do Hugging Face | |
| - Histórico de chat para manter o contexto da conversa | |
| - Barra lateral com orientações importantes para o usuário | |
| ## Requisitos | |
| - Python 3.7+ | |
| - Streamlit | |
| - LangChain | |
| - ChromaDB | |
| - PyPDF2 | |
| - Transformers | |
| - Outras dependências listadas em `requirements.txt` | |
| ## Instalação | |
| 1. Clone este repositório: | |
| ``` | |
| git clone https://github.com/seu_usuario/seu_repositorio.git | |
| cd seu_repositorio | |
| ``` | |
| 2. Instale as dependências: | |
| ``` | |
| pip install -r requirements.txt | |
| ``` | |
| 3. Configure as variáveis de ambiente ou tenha em mãos: | |
| - Chave da API Groq | |
| - Token da API Hugging Face | |
| ## Uso | |
| 1. Execute o aplicativo Streamlit: | |
| ``` | |
| streamlit run app.py | |
| ``` | |
| 2. Abra o navegador e acesse o endereço local mostrado no terminal. | |
| 3. Insira suas chaves de API quando solicitado. | |
| 4. Faça upload de um ou mais arquivos PDF. | |
| 5. Faça perguntas sobre o conteúdo dos documentos na caixa de entrada de texto. | |
| ## Como funciona | |
| 1. **Upload de Documentos**: Os usuários fazem upload de arquivos PDF, que são processados e divididos em chunks menores. | |
| 2. **Criação de Embeddings**: O texto é convertido em embeddings usando o modelo Hugging Face. | |
| 3. **Armazenamento de Vetores**: Os embeddings são armazenados em um banco de dados ChromaDB para recuperação eficiente. | |
| 4. **Processamento de Perguntas**: As perguntas dos usuários são contextualizadas com base no histórico do chat. | |
| 5. **Recuperação de Informações**: O sistema recupera os chunks de texto mais relevantes com base na pergunta. | |
| 6. **Geração de Respostas**: O modelo Gemma2-9b-It da Groq gera uma resposta com base nos chunks recuperados e na pergunta. | |
| 7. **Manutenção do Histórico**: O histórico do chat é mantido para fornecer contexto em conversas contínuas. | |
| ## Avisos Importantes | |
| - Não compartilhe documentos contendo informações sensíveis ou confidenciais. | |
| - As respostas geradas pela IA podem conter erros ou imprecisões. Sempre verifique as informações importantes. | |
| - Este projeto é para fins educacionais e de demonstração. Use com responsabilidade. | |
| ## Contribuições | |
| Contribuições são bem-vindas! Por favor, abra uma issue para discutir mudanças importantes antes de fazer um pull request. | |
| ## Licença | |
| [MIT License](LICENSE) | |