Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA LangGraph Parte 4 Ingestão de RAG (2026-04-28)

28 abr 20261h 12min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão deu continuidade ao workshop de construção de agentes com LangGraph e foi dedicada à ingestão de dados para RAG. Foi apresentado o objetivo de concluir a parte prática do LangGraph ao longo da semana, utilizando um PDF de 147 páginas sobre a linguagem SREL como base de conhecimento para um agente capaz de responder dúvidas e gerar códigos. Também foram mencionados os materiais disponíveis no Miro, as gravações anteriores, o repositório do projeto e ferramentas de observabilidade, como LangSmith e Langfuse.

Na prática, o PDF foi colocado no projeto, enviado ao Mistral para OCR e convertido em texto Markdown. Em seguida, o texto foi dividido em chunks de mil caracteres, com sobreposição de 200 caracteres, transformado em embeddings pelo modelo text-embedding-3-large da OpenAI e salvo no banco vetorial Qdrant, junto com os textos e metadados dos arquivos. Também foi implementada a criação da coleção do Qdrant caso ela ainda não exista, usando similaridade por cosseno. Foi explicado que, em uma aplicação real, seria necessário evitar o reprocessamento de PDFs já carregados, por exemplo comparando hashes dos arquivos, mas essa etapa foi deixada como conteúdo adicional para não estender a sessão.

A próxima sessão, marcada para quinta-feira, abordará a recuperação dos vetores no Qdrant e o uso dos trechos encontrados como contexto para o LLM, completando o fluxo de RAG. Permaneceram como pontos de atenção a escolha adequada do tamanho e da sobreposição dos chunks, a prevenção de duplicidades e a validação do formato dos dados recebidos pela função de embeddings.

Gerado por IA a partir da transcrição.
Capítulos · 14
00:27
Organização das próximas sessões de LangGraph
Assistir
03:09
Documentação e ferramentas do ecossistema LangChain
Assistir
05:31
Apresentação do workshop e do Miro
Assistir
12:33
Projeto: chat com conhecimento em SREL
Assistir
14:16
Por que usar RAG em documentos extensos
Assistir
15:32
OCR do PDF e criação da base de conhecimento
Assistir
33:00
Divisão do texto em chunks e overlap
Assistir
35:04
Implementação do chunking e vetorização
Assistir
41:37
Como evitar reprocessar PDFs já carregados
Assistir
43:15
RAG, chunks e geração de embeddings
Assistir
59:23
Visualização dos vetores no Qdrant
Assistir
1:00:45
Similaridade semântica entre vetores
Assistir
1:05:38
Criação da coleção e fluxo completo do RAG
Assistir
1:08:04
Modelo de embedding e encerramento da sessão
Assistir
Cortes · 7
Por que usar RAG no projeto
É explicado o objetivo do projeto: criar um chat capaz de responder dúvidas e gerar código em SREL a partir de um documento específico. O trecho mostra por que o RAG é importante para consultar um PDF extenso sem enviar todo o conteúdo ao modelo a cada pergunta.
12:33 – 15:32Assistir
Extraindo o PDF com OCR e preparando os dados
A sessão mostra, passo a passo, como colocar o PDF no projeto, configurar as variáveis de ambiente, fazer o upload para o Mistral e executar o OCR. Em seguida, o texto extraído é reunido em uma única string e preparado para ser dividido em chunks antes da indexação vetorial.
15:32 – 32:59Assistir
Dividindo o texto em chunks com overlap
O instrutor explica o conceito de chunking e overlap e implementa uma função que divide o texto em blocos de tamanho definido, mantendo uma sobreposição entre blocos consecutivos. O resultado é demonstrado com a inspeção dos chunks gerados a partir do PDF.
33:00 – 41:37Assistir
Evitando o reprocessamento dos PDFs
É respondida uma dúvida sobre o processamento ocorrer novamente a cada pergunta. O instrutor explica como usar uma tabela com o nome e um hash do conteúdo de cada PDF para identificar documentos já processados e evitar novo OCR e carregamento na base vetorial.
41:37 – 43:10Assistir
Gerando embeddings e salvando vetores no Qdrant
A sessão mostra como transformar chunks de texto em embeddings usando o modelo text-embedding-3-large da OpenAI, tratando entradas únicas ou listas. Em seguida, explica a criação dos pontos com vetor, texto e metadados do arquivo, e o salvamento desses pontos em uma coleção do Qdrant.
43:15 – 59:21Assistir
Consultando proximidade semântica no banco vetorial
O instrutor demonstra no dashboard do Qdrant como os pontos armazenados mantêm o texto, o vetor numérico e uma medida de proximidade entre documentos. Também explica que registros duplicados podem aparecer quando os mesmos dados são inseridos mais de uma vez.
59:23 – 1:05:37Assistir
Criando a coleção do Qdrant automaticamente
O código passa a verificar se a coleção existe antes de processar os PDFs e, caso necessário, cria a estrutura com 3072 dimensões e distância por cosseno. O trecho resume o fluxo completo: extrair o PDF, dividir em chunks, gerar embeddings e salvar texto e vetores para futuras buscas semânticas.
1:05:38 – 1:08:04Assistir
Perguntas desta sessão
É necessário usar o PDF fornecido no workshop ou é possível usar outro documento como referência para construir a base de conhecimento?
É altamente recomendado usar o PDF fornecido, que aborda a linguagem SREL e serve como documento de referência para o projeto; embora outro documento possa ser usado, o material do workshop garante que todos trabalhem com o mesmo conteúdo.
12:35 – 13:24Assistir
O que é a linguagem SREL e qual é o objetivo do projeto de IA baseado nela?
SREL é uma linguagem de programação pouco conhecida e com documentação restrita. O projeto usa aprendizado de máquina e RAG para ensinar a IA a compreender scripts e códigos SREL, permitindo criar um chat que responda dúvidas e gere código nessa linguagem.
13:27 – 14:15Assistir
O processamento completo do PDF, incluindo OCR, divisão em chunks e geração de embeddings, acontece toda vez que uma pergunta é feita?
Não necessariamente. O sistema pode registrar os PDFs já processados em uma tabela, usando o hash SHA-256 do conteúdo para verificar se houve alteração. PDFs inalterados não são reprocessados; apenas documentos novos ou modificados passam novamente pelo fluxo. No workshop, essa verificação foi omitida para simplificar a implementação.
41:37 – 43:10Assistir
Qual modelo de embeddings foi usado no workshop?
Foi usado o modelo text-embedding-3-large da OpenAI. Ele gera vetores com 3072 dimensões; modelos diferentes podem produzir resultados distintos e ter custos diferentes.
1:08:04 – 1:08:15Assistir