🤖 Chatbot RAG: Geração Aumentada com Google Gemini e LangChain

Este projeto implementa um sistema de RAG (Retrieval-Augmented Generation), a arquitetura moderna para construir chatbots que respondem a perguntas baseadas em documentos específicos, mitigando o problema central de alucinação em LLMs.

O sistema utiliza o artigo técnico "Attention Is All You Need" (o paper original dos Transformers) como base de conhecimento.

---

🛠 Tecnologias Chave (GenAI Engineering)

• Python 3.9+
• LangChain: Framework de orquestração de IA para construir a cadeia RAG.
• Google Gemini 1.5 Flash: O Large Language Model (LLM) de alta performance responsável pela Geração Aumentada das respostas.
• FAISS (Meta): Banco de dados de vetores ultrarrápido para persitência e busca (Retrieval) dos embeddings.
• Google Generative AI Embeddings: Modelo de embedding para vetorização do texto.
• Boas Práticas: Uso de python-dotenv, venv e .gitignore para segurança e reprodutibilidade.

---

🚀 Arquitetura (Como Funciona)

A lógica RAG garante que a resposta seja factualmente precisa, seguindo três etapas orquestradas:

1. Ingestão/Pipeline de Dados: O script ingest.py carrega o PDF, divide o texto em chunks e cria embeddings vetoriais armazenados localmente via FAISS.
2. Recuperação (Retrieval): Ao receber uma pergunta, o sistema busca os 4 trechos (top-k) mais relevantes no Vector Store (FAISS).
3. Geração Aumentada (Generation): O contexto recuperado + a pergunta são enviados ao Gemini, instruído via Prompt Engineering a responder estritamente baseado nos dados fornecidos.

---

⚙️ Instalação e Uso

1. Clone o repositório:

   git clone [https://github.com/SEU_USUARIO/Portfolio-RAG-Chatbot-Gemini.git](https://github.com/SEU_USUARIO/Portfolio-RAG-Chatbot-Gemini.git)
   cd Portfolio-RAG-Chatbot-Gemini

2. Configuração de Segurança: Crie um arquivo .env na raiz com sua chave da API do Google:

   GOOGLE_API_KEY="SUA_CHAVE_AQUI"
   

3. Instale as dependências:

   pip install -r requirements.txt

4. Execute a Ingestão de Dados (Criação do Vector Store):

   python ingest.py

5. Inicie o Chatbot:

   python rag_chat.py

---

🧪 Demonstração de Mitigação de Alucinação

Pergunta	Resultado Esperado	Valor Demonstrado
"O que é Scaled Dot-Product Attention?"	Explicação técnica baseada no artigo.	✅ Precisão e Uso do Contexto
"Quais são os autores?"	Lista dos autores do paper.	✅ Extração de Fato
"Qual a capital da França?"	"Não encontrei a informação no documento."	🛑 Prova de Mitigação de Alucinações

---

Projeto desenvolvido para fins de estudo em Engenharia de IA e LLMs.