📘 RAG com LangChain e OpenRouter

Este projeto implementa um sistema de RAG (Retrieval-Augmented Generation) utilizando LangChain, FAISS para indexação vetorial, embeddings do Hugging Face e modelos LLM via OpenRouter.

O objetivo é responder perguntas de forma contextualizada com base em um documento PDF.
Para demonstração, foi utilizado um PDF contendo receitas de bolos caseiros, servindo como exemplo de aplicação prática.

---

Interface do Projeto

⚙️ Funcionalidades

• 📂 Carregamento de documentos no formato PDF.
• ✂️ Divisão inteligente do texto em chunks com sobreposição para manter o contexto.
• 🧩 Geração de embeddings vetoriais utilizando modelos do Hugging Face.
• 🔎 Indexação com FAISS para busca semântica rápida e eficiente.
• 🤖 Integração com modelos LLM via OpenRouter.
• ✅ Respostas sempre baseadas no documento fornecido, evitando alucinações.

---

📂 Estrutura do Projeto

├── app.py              # Interface com Streamlit
├── rag.py              # Núcleo do RAG: carregamento, indexação e resposta
├── receitas_bolos.pdf  # Documento de referência
├── requirements.txt    # Dependências do projeto
└── README.md           

---

🚀 Como Executar

1. Instale o Conda

Se ainda não tiver o Conda, você pode instalar o Miniconda (mais leve) ou o Anaconda.

Exemplo de instalação do Miniconda no Linux/macOS:

Baixe o instalador (Linux)

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

Ou no macOS (Apple Silicon)

curl -LO https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh

Instale

bash Miniconda3-latest-*.sh

No Windows, basta baixar o instalador gráfico do site oficial e seguir os passos.

Depois da instalação, reinicie o terminal e verifique:

conda --version

⸻

2. Crie e ative o ambiente virtual

conda create -n rag-env python=3.12 -y
conda activate rag-env

⸻

3. Clone o repositório

git clone https://github.com/seu-usuario/seu-repo.git
cd seu-repo

⸻

4. Instale as dependências

pip install -r requirements.txt

⸻

5. Configure as variáveis de ambiente

Crie um arquivo .env na raiz do projeto:

OPENROUTER_API_KEY=sk-or-xxxxxxxxxxxxxxxxxxxxxxxx

⚠️ Lembre-se de criar a chave no OpenRouter. É gratuito, ótimo para testes rápidos.

⸻

6. Execute a aplicação

Rode interface Streamlit:

streamlit run app.py

⸻

🧠 Principais Componentes

🔑 Carregamento e indexação do PDF

loader = PyMuPDFLoader("receitas_bolos.pdf")
docs = loader.load()

splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = splitter.split_documents(docs)

vectorstore = FAISS.from_documents(splits, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

🔎 Recuperação e resposta

def responder_pergunta(pergunta: str) -> str:
    docs = retriever.invoke(pergunta)
    contexto = "\n\n".join([d.page_content for d in docs])
    mensagens = prompt.format_messages(context=contexto, question=pergunta)
    resposta = llm.invoke(mensagens)
    return resposta.content

⸻

📚 Tecnologias Utilizadas

• LangChain – Orquestração do fluxo RAG.
• FAISS – Indexação e busca vetorial semântica.
• Hugging Face Sentence Transformers – Criação de embeddings.
• OpenRouter – Acesso a modelos LLM.
• Streamlit – Interface interativa (opcional).
• Conda – Gerenciamento de ambientes.

---

💡 Observações

• As respostas são sempre extraídas do PDF fornecido.
• Caso a pergunta não esteja relacionada ao documento, o modelo responde educadamente que não pode responder.
• O modelo padrão é mistralai/mistral-7b-instruct:free, mas pode ser substituído por outros disponíveis no catálogo do OpenRouter.

⸻

Autor: Gabriel W. A. Matias