Foi desenvolvido um chatbot que pode ser utilizado por empresas para consultar informações internas que não estão disponíveis publicamente. A solução é baseado na arquitetura RAG, foi desenvolvida em Python, utilizando Django para a aplicação web e LangChain para orquestrar a pipeline de IA Generativa.

Python | Django | LangChain | RAG

Introdução

Este projeto consiste em um chatbot desenvolvido em Python, utilizando Django como framework web e LangChain para orquestração da pipeline de IA Generativa.

O chatbot utiliza a arquitetura RAG (Retrieval-Augmented Generation), que combina Modelos de Linguagem (LLMs) com uma base de conhecimento externa. Dessa forma, o modelo responde às perguntas utilizando informações presentes em documentos da empresa, reduzindo alucinações e aumentando a precisão das respostas.

Objetivo

Responder perguntas sobre informações internas da organização que não estão disponíveis publicamente, fornecendo respostas precisas e contextualizadas.

Demonstração do Chatbot

Para fins de demonstração, foi criado um conjunto de documentos contendo informações de uma empresa fictícia, utilizado como base de conhecimento do chatbot.

📄 Documento usado no Chatbot

No vídeo abaixo, são apresentadas algumas consultas sobre a empresa fictícia. Ao final, é feita a pergunta "O céu é azul?" para demonstrar que o chatbot responde apenas com base nas informações presentes nos documentos utilizados como contexto.

Também é demonstrado o uso do botão "Salvar Histórico", que permite exportar toda a conversa para um arquivo .txt.

Perguntas apresentadas na demonstração

1. Qual o nome da empresa?

2. Quando a TechNova Solutions foi fundada?

3. Como funciona o processo de atendimento ao cliente?

4. Qual equipe é responsável pelos pipelines RAG?

5. Qual é o e-mail do setor Comercial?

6. Posso usar meu notebook pessoal para acessar informações confidenciais da empresa?

7. O céu é azul?

Tecnologias utilizadas

• Python

• Django

• LangChain

• FAISS

• OpenAI Embeddings

• Large Language Model (LLM)

Arquitetura da solução

A pipeline do projeto é composta por três etapas principais.

1. Data Ingestion

Nesta etapa, os documentos são preparados para consulta.

• O documento é disponibilizado em formato PDF.

• O conteúdo é dividido em pequenos trechos (chunking).

• Cada trecho é convertido em um vetor numérico (embedding).

• Os embeddings são indexados e armazenados em um banco vetorial utilizando FAISS, permitindo buscas rápidas por similaridade.

2. Retrieval

Quando o usuário realiza uma pergunta, ocorre o processo de recuperação das informações mais relevantes.

• O usuário envia uma pergunta.

• A pergunta é convertida em um embedding.

• É realizada uma busca por similaridade no banco vetorial.

• São recuperados os k trechos mais semelhantes à pergunta (Top-k Retrieval).

3. Generation

Na etapa final, a resposta é gerada utilizando o contexto recuperado.

• Os trechos recuperados são inseridos no prompt (Retrieved Context).

• O contexto recuperado e a pergunta do usuário são enviados para a LLM.

• A LLM utiliza essas informações para produzir uma resposta fundamentada nos documentos consultados.

Contato

Obrigada pela visita! Fique à vontade para entrar em contato, será um prazer te responder.

Copyright © 2025 - 2026. Catarina Aguiar. Todos os direitos reservados.