Este projeto implementa um pipeline de Retrieval-Augmented Generation (RAG) usando um banco de dados vetorial para responder a perguntas com base em um conjunto de documentos.

• Node.js: Ambiente de execução para o servidor.
• Express: Framework para a construção da API REST.
• LanceDB: Banco de dados vetorial para armazenar e consultar os embeddings dos documentos.
• @google/genai: SDK para utilizar os modelos de linguagem do Google (Gemini).
• @xenova/transformers: Biblioteca para gerar os embeddings dos textos.

• React: Biblioteca para a construção da interface de usuário.
• Vite: Ferramenta de build para o desenvolvimento frontend.
• Styled-Components: Biblioteca para estilização dos componentes React.

• Node.js (versão 20 ou superior)
• npm

1. Navegue até o diretório backend:

   cd backend

2. Instale as dependências:

   npm install

3. Crie um arquivo .env na raiz do diretório backend e adicione sua chave da API do Google:

   GOOGLE_API_KEY=SUA_CHAVE_API
   

4. Execute o servidor:

   npm start

O servidor estará rodando em http://localhost:3000.

1. Navegue até o diretório frontend:

   cd frontend

2. Instale as dependências:

   npm install

3. Execute o cliente de desenvolvimento:

   npm run dev

A aplicação estará disponível em http://localhost:5173.

Para adicionar novos documentos ao banco de dados vetorial, siga os passos abaixo:

1. Coloque os documentos no diretório correto:

   • Adicione os arquivos de texto ou Markdown que deseja processar no diretório backend/docs/.

2. Execute o script para processar os documentos:

   • Navegue até o diretório backend:
   • Execute o script buld_db.js para processar os documentos e adicionar os embeddings ao banco de dados:

     node rag_module/buld_db.js

3. Confirme os dados no banco:

   • Após a execução do script, os novos documentos estarão disponíveis no banco de dados vetorial localizado em backend/vector_db/chunks.lance/.