📄 RAG com PostgreSQL, pgvector e LLM

Este projeto implementa um sistema completo de Retrieval-Augmented Generation (RAG) com as seguintes tecnologias:

• PostgreSQL + pgvector como banco de vetores
• FastAPI como backend para upload, ingestão e busca semântica
• LLM local (ou via OpenAI) para geração de respostas
• Streamlit como frontend interativo
• Docker para facilitar o setup de ambiente

🚀 Funcionalidades

• Upload de arquivos PDF
• Extração e chunking do conteúdo
• Geração de embeddings com modelo open-source ou OpenAI
• Armazenamento vetorial com pgvector
• Busca semântica por similaridade vetorial
• Geração de respostas com LLM
• Interface web via Streamlit

⚙️ Requisitos

• Docker
• Python 3.12+
• uv

📦 Instalação

1. Clone o repositório

git clone https://github.com/lusabo/rag.git
cd rag

2. Configure o .env

# PostgreSQL
POSTGRES_USER=postgres
POSTGRES_PASSWORD=postgres
POSTGRES_DB=rag
POSTGRES_DB_HOST=localhost
POSTGRES_DB_PORT=5432

# pgAdmin
PGADMIN_DEFAULT_EMAIL=[email protected]
PGADMIN_DEFAULT_PASSWORD=admin

# Embeddings (opcional)
OPENAI_API_KEY=sk-...
OPENAI_EMBEDDING_MODEL=text-embedding-3-small
EMBEDDING_DIM=1536

🐳 Subindo containers

cd docker
docker compose up -d

🧠 Inicialize o banco

cd ..
uv pip install .
alembic upgrade head

🖥️ Rode o backend

uv run python -m uvicorn --app-dir backend app.main:app --reload

🌐 Rode o frontend (Streamlit)

streamlit run frontend/app.py

• Acesse: http://localhost:8501

🧪 Teste

1. Faça upload de PDFs
2. Consulte os documentos com perguntas em linguagem natural

📁 Estrutura

rag/
├── alembic/
├── backend/
├── docker/
├── frontend/
├── .env
├── alembic.ini
└── pyproject.toml

🤝 Contribua

Pull requests são bem-vindos! 🙌

💬 Contato

Fale comigo no LinkedIn

⭐ Se curtiu, deixe uma estrela no repositório!