🦜🔗 LangChain RAG Agent: Projeto de Estudo com Google Gemini

Um assistente de conversação baseado em documentos (RAG), implementado com LangChain, Google Gemini e Busca Híbrida.

📖 Sobre o Projeto

Este repositório é um projeto pessoal de aprendizado focado na exploração do framework LangChain. O objetivo principal foi construir uma aplicação de RAG (Retrieval-Augmented Generation) robusta, capaz de ler documentos PDF e responder a perguntas sobre eles com base em contexto, mantendo o histórico da conversa.

Diferente de implementações simples, este projeto explora conceitos avançados como Busca Híbrida (Hybrid Search) e persistência de memória conversacional.

🤔 O que é o LangChain?

Para quem está chegando agora: o LangChain é um framework poderoso projetado para simplificar o desenvolvimento de aplicações que utilizam Grandes Modelos de Linguagem (LLMs). Ele atua como uma "cola", permitindo conectar LLMs (como GPT ou Gemini) a fontes de dados externas (PDFs, Bancos de Dados, Web) e criar fluxos de trabalho complexos (Chains e Agentes).

---

⚙️ Arquitetura e Funcionalidades

O sistema foi modularizado em pipelines para facilitar o entendimento e a manutenção:

1. Ingestão de Dados (ETL):
   • Carrega PDFs de um diretório local (docs/).
   • Realiza a quebra do texto em pedaços menores (Chunks) para otimizar o contexto.
   • Gera Embeddings utilizando o modelo do Google.
2. Armazenamento Vetorial:
   • Utiliza o ChromaDB para armazenar os vetores semânticos dos documentos.
3. Retrieval (Recuperação) Híbrido:
   • Este é o diferencial do projeto. Utilizamos um EnsembleRetriever que combina:
     • Busca Semântica (Vector Store): Entende o significado e o contexto da pergunta (peso 0.6).
     • Busca por Palavras-chave (BM25): Garante precisão em termos técnicos ou nomes específicos (peso 0.4).
4. Geração de Resposta:
   • Utiliza o modelo Google Gemini (via API) para gerar respostas naturais baseadas nos documentos recuperados e no histórico da conversa.

---

🛠️ Tecnologias Utilizadas

• Python 3.12+
• LangChain: Orquestração do fluxo de IA.
• Google Generative AI (Gemini): LLM e Embeddings.
• ChromaDB: Banco de dados vetorial local.
• Rank_BM25: Algoritmo de busca baseada em frequência de termos.
• Python-Dotenv: Gerenciamento de variáveis de ambiente.

---

🚀 Como Rodar o Projeto

Pré-requisitos

• Python instalado.
• Uma API Key do Google AI Studio (Gemini).

Passo a Passo

1. Clone o repositório:

   git clone [https://github.com/seu-usuario/seu-repositorio.git](https://github.com/seu-usuario/seu-repositorio.git)
   cd seu-repositorio

2. Crie e ative um ambiente virtual:

   python3 -m venv venv
   source venv/bin/activate  # Linux/Mac
   # ou
   venv\Scripts\activate     # Windows

3. Instale as dependências:

   pip install -r requirements.txt

   (Caso não tenha o arquivo requirements.txt, instale manualmente):

   pip install langchain langchain-community langchain-google-genai langchain-chroma chromadb rank_bm25 pypdf python-dotenv

4. Configure as Variáveis de Ambiente: Crie um arquivo .env na raiz do projeto e adicione sua chave:

   GOOGLE_API_KEY=sua_chave_aqui_cola_ela_inteira

5. Adicione seus Documentos: Crie uma pasta chamada docs na raiz do projeto e coloque seus arquivos PDF lá.

6. Execute a Aplicação:

   python main.py

---

📂 Estrutura de Arquivos

📁 projeto/
│
├── 📄 main.py                 # Ponto de entrada (Entry point) da aplicação
├── 📄 pipeline_etl.py         # Carregamento de PDFs, Chunking e Criação do VectorDB
├── 📄 retriever.py            # Configuração da busca Híbrida (BM25 + Chroma)
├── 📄 conversation_chain.py   # Configuração da memória e da cadeia de conversação
├── 📄 .env                    # Arquivo de segredos (NÃO COMMITAR)
└── 📁 docs/                   # Coloque seus PDFs aqui

---

🧠 Aprendizados Chave

Durante o desenvolvimento deste projeto, foram consolidados os seguintes conhecimentos:

• Como estruturar um projeto de IA modular.
• A importância do Chunking correto para não estourar a janela de contexto do modelo.
• A diferença entre busca vetorial (significado) e busca lexical (palavra exata) e como a união das duas (Hybrid Search) melhora a precisão.
• Gerenciamento de memória em conversas contínuas com LLMs.

---

🤝 Contribuição

Sinta-se à vontade para fazer um fork deste projeto, abrir issues ou enviar Pull Requests. Este é um ambiente de aprendizado!

---

Desenvolvido por Kauê Cruz 🚀