Skip to content

RAG (Retrieval-Augmented Generation)

Se você escolher use_rag: 'y', o template irá gerar uma estrutura dedicada para construir sistemas RAG. A pasta rag será criada com os seguintes módulos:

  • embeddings.py: Responsável por carregar o modelo de embedding e transformar textos em vetores. É aqui que você define qual modelo usar (ex: da HuggingFace, OpenAI, etc.).

  • vector_store.py: Gerencia a criação e o acesso ao banco de dados vetorial (ex: FAISS, ChromaDB). Ele usa os embeddings para indexar e armazenar seus documentos.

  • retriever.py: Contém a lógica para realizar a busca de similaridade. Dado um prompt do usuário, ele consulta o vector_store para encontrar os trechos de documentos mais relevantes.

Essa estrutura modular permite que você construa e mantenha sistemas RAG complexos de forma organizada.