---

🤖 Chatbot RAG (LangChain + Embeddings Locais + AIMLAPI)

Este projeto implementa um sistema de Chatbot de Perguntas e Respostas baseado em documentos (PDFs) utilizando a arquitetura RAG (Retrieval-Augmented Generation).

Ele usa a biblioteca LangChain para orquestração, HuggingFace Embeddings (Sentence Transformers) para vetorização local, ChromaDB como Vector Store e a AIMLAPI para o Large Language Model (LLM).

🌟 Funcionalidades Principais

• RAG com Documentos Locais: Carrega PDFs da pasta ./base e utiliza o conteúdo para gerar respostas informadas.
• Embeddings Locais: Utiliza o modelo sentence-transformers/all-MiniLM-L6-v2 para criar a base vetorial localmente, sem depender de APIs para embeddings.
• Vector Store Persistente: Armazena os vetores no banco de dados local ChromaDB (pasta ./db_google) para reuso.
• Integração com AIMLAPI: Utiliza a AIMLAPI e o modelo mistralai/Mistral-7B-Instruct-v0.2 para o processamento da linguagem e geração da resposta.

🛠️ Tecnologias Utilizadas

Componente	Tecnologia	Uso Específico
Orquestração	LangChain	Criação da cadeia RAG (RetrievalQA).
Embeddings	HuggingFaceEmbeddings (Local)	Modelo all-MiniLM-L6-v2 para criar vetores de documentos.
Vector Store	ChromaDB	Armazenamento persistente dos vetores de documentos.
LLM	ChatOpenAI (via AIMLAPI)	Geração de respostas baseadas no contexto recuperado (mistralai/Mistral-7B-Instruct-v0.2).
Processamento PDF	PyPDFDirectoryLoader	Carregamento dos documentos PDF.
Splitter	RecursiveCharacterTextSplitter	Divisão dos documentos em chunks para vetorização.

🚀 Começando

Siga estas instruções para configurar e rodar o projeto em sua máquina local.

Pré-requisitos

Certifique-se de ter o Python (3.x) e o pip instalados.

1. Clonar o repositório

git clone https://github.com/wittcher1/ChatBootCriaDdos.git
cd ChatBootCriaDdos

2. Configurar o Ambiente

Crie um ambiente virtual (recomendado) e instale as dependências:

# Cria e ativa o ambiente virtual (Exemplo com venv)
python -m venv venv
source venv/bin/activate # Linux/macOS
# venv\Scripts\activate # Windows

# Instala as dependências (Assumindo que você tem um requirements.txt ou irá criá-lo)
# Caso não tenha o requirements.txt, instale as libs usadas nos scripts:
pip install langchain-community langchain-chroma langchain-openai langchain-huggingface pypdf python-dotenv

3. Configurar Chave de API

Crie um arquivo chamado .env na raiz do projeto para armazenar sua chave da AIMLAPI:

AIMLAPI_KEY = "SUA_CHAVE_SECRETA_AIMLAPI"

⚠️ Atenção: ATENÇÃO Não suba o arquivo .env para o GitHub. Certifique-se de que ele está no seu .gitignore.

4. Adicionar Documentos

Coloque todos os seus arquivos PDF na pasta ./base.

5. Criar o Banco de Dados Vetorial

Execute o script com o argumento --create-db para carregar os PDFs, criar os embeddings locais e persistir o banco de dados no diretório ./db_google.

python main.py --create-db

(Se um banco de dados existente estiver presente em ./db_google, ele será removido e recriado.)

6. Iniciar o Chat

Após a criação do banco de dados, inicie o chat interativo com o argumento --chat:

python main.py --chat

O sistema irá carregar a base vetorial, conectar-se à AIMLAPI e você poderá começar a fazer perguntas sobre o conteúdo dos seus PDFs. Digite sair para encerrar.

📂 Estrutura do Projeto

.
├── base/                   # Pasta para os documentos PDF de entrada
│   └── documento.pdf
├── db_google/              # Pasta persistente do ChromaDB (gerada após --create-db)
├── bancodb.py              # Lógica para carregar, dividir e vetorizar documentos, e iniciar o chat.
├── main.py                 # Ponto de entrada que gerencia a execução (--create-db ou --chat).
├── .env                    # Variáveis de ambiente (chave da AIMLAPI)
└── README.md               # Este arquivo.

🤝 Contribuições

Sinta-se à vontade para sugerir melhorias, reportar bugs ou contribuir com o código.

1. Faça um Fork do projeto.
2. Crie uma branch para sua feature (git checkout -b feature/AmazingFeature).
3. Commit suas mudanças (git commit -m 'Add some AmazingFeature').
4. Faça o Push para a branch (git push origin feature/AmazingFeature).
5. Abra um Pull Request.

📄 Licença

Este projeto está sob a licença MIT.