Mini RAG — FastAPI + Postgres/pgvector + OpenAI

Ingerir documentos, indexar com vetores, recuperar trechos relevantes com KNN e gerar respostas ancoradas nas fontes.

✨ Visão geral

Este projeto implementa um Retrieval-Augmented Generation (RAG):

1. Ingestão de PDFs/MD/TXT em data/,
2. Chunking + overlap e geração de embeddings,
3. Indexação vetorial no Postgres com pgvector,
4. Busca por similaridade (KNN) dos chunks,
5. Geração de resposta por um LLM com guardrails (responder apenas com base nas fontes e citar referências).

---

🧱 Stack

• API: FastAPI
• Índice vetorial: Postgres + pgvector (Docker)
• Embeddings & Geração: OpenAI API (pode ser trocado por endpoint compatível)
• Cliente HTTP: curl ou qualquer REST client

---

📁 Estrutura do projeto

mini-rag/ ├── docker-compose.yml ├── requirements.txt ├── .env.example ├── data/ # seus PDFs/MD/TXT (não versionar) ├── scripts/ │ ├── init_db.py # cria extensão pgvector + tabela + índices │ └── ingest.py # chunking + embeddings + upsert no Postgres └── app/ ├── main.py # FastAPI (/ask, /health) └── rag.py # retrieve + prompt + geração

---

🔧 Requisitos

• Docker e Docker Compose
• Python 3.10+ (recomendado usar venv)
• Chave de API válida (OpenAI ou compatível com o SDK)

---

⚙️ Configuração

Copie o .env.example para .env e edite: