Desafio RAG Local com MCP (2026-03-17)
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.
Notas citadas nas anotações desta sessão.
A sessão apresentou o desafio de construir um sistema de RAG local integrado a MCP, com arquivos armazenados em diretório local, um modelo de linguagem, interface de consulta e registro detalhado das interações. Também foi explicado o funcionamento do RAG: os documentos são divididos em chunks, convertidos em embeddings, armazenados em um banco vetorial e recuperados por similaridade para compor o contexto enviado ao modelo. A implementação demonstrada usou front-end separado, back-end em Spring Boot, PostgreSQL com extensão vetorial e execução local do modelo por meio do LM Studio. Durante a demonstração, o sistema respondeu a consultas sobre arquivos de despesas e exibiu os contextos recuperados e os logs das buscas.
A discussão destacou a importância de ajustar o tamanho dos chunks, o overlap, a quantidade de resultados e o score mínimo de similaridade, pois configurações inadequadas podem gerar excesso de contexto, respostas irrelevantes ou ausência de resultados. Também foram relatadas dificuldades com mudanças frequentes nas bibliotecas e imports do LangChain, especialmente na integração com Java e MCP, além da influência do modelo de embedding e da capacidade do modelo de linguagem na qualidade das respostas. O código foi disponibilizado em um repositório para consulta, e a solução cumpriu os requisitos obrigatórios e desejáveis do desafio, garantindo a recompensa correspondente.
Ao final, reforçou-se que os desafios do mural são abertos mesmo para pessoas sem experiência prévia, contando com apoio da equipe, materiais e workshops. Foi divulgado um workshop sobre conceitos de agentes, e os participantes foram incentivados a escolher desafios, propor abordagens alternativas e compartilhar seus aprendizados. Permaneceram como pontos em aberto a busca pelo melhor ajuste de parâmetros para diferentes modelos e bases de dados, bem como a evolução da solução para ambientes mais robustos ou em nuvem.