RAG Python com LangChain e Gemini

Implementação de Retrieval-Augmented Generation (RAG) utilizando:

• Google Gemini como LLM
• Wikipedia como fonte de conhecimento
• LangChain para orquestração
• UV para gestão de dependências

Pré-requisitos

• Python >=3.13.1
• UV instalado
• Chave de API do Gemini (obter aqui)

Configuração Inicial

1. Clone o repositório:

git clone git@github.com:walefy/rag_poc_labdev.git

2. Instale as dependências

uv sync

3. Configure a API Key:

cp .env.example .env
# Adicione sua chave no arquivo .env

Executando o projeto

uv run main.py

Fluxo de Uso

1. Adição de Documentos:

   • Insira termos de busca da Wikipedia
   • Digite continue quando terminar

2. Interface de Chat:

   • Faça perguntas quando aparecer ?>>
   • Ctrl+C para sair

Exemplo

documento: inteligência artificial
documento: machine learning
documento: continue
?>> explique o que é deep learning

Funcionalidades Principais

• Busca semântica em documentos
• Chunking inteligente de textos
• Histórico de conversação (últimas 3 perguntas)
• Fallback para perguntas fora do contexto

Limitações Conhecidas

• Taxa limite de requisições da API Gemini
• Qualidade dependente do conteúdo da Wikipedia em português
• Ainda não persiste dados entre execuções