Thanks to visit codestin.com
Credit goes to github.com

Skip to content

k13w/tale

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

3 Commits
.idea
.idea
 
 
.env
.env
 
 
.env.example
.env.example
 
 
.gitignore
.gitignore
 
 
ARCHITECTURE.md
ARCHITECTURE.md
 
 
AUTO_TRANSACTION_ID.md
AUTO_TRANSACTION_ID.md
 
 
BEFORE_AFTER_COMPARISON.md
BEFORE_AFTER_COMPARISON.md
 
 
CUSTOM_TOOLS.md
CUSTOM_TOOLS.md
 
 
DEMO_VISUAL.md
DEMO_VISUAL.md
 
 
IMPLEMENTATION_SUMMARY.md
IMPLEMENTATION_SUMMARY.md
 
 
IMPROVEMENTS.md
IMPROVEMENTS.md
 
 
QUICK_START.md
QUICK_START.md
 
 
QUICK_START_AUTO_ID.md
QUICK_START_AUTO_ID.md
 
 
README.md
README.md
 
 
SETUP_CHECKLIST.sh
SETUP_CHECKLIST.sh
 
 
VISUAL_GUIDE.md
VISUAL_GUIDE.md
 
 
agent.py
agent.py
 
 
main.py
main.py
 
 
rag.py
rag.py
 
 
requirements.txt
requirements.txt
 
 
setup.sh
setup.sh
 
 
test_improvements.py
test_improvements.py
 
 
test_parser.py
test_parser.py
 
 
tools.py
tools.py
 
 
update_rag.py
update_rag.py
 
 

Repository files navigation

Agent Local com RAG - Guia Completo

Um agent inteligente local que:

  • 📚 Consulta seus documentos (RAG)
  • 🔗 Chama APIs e endpoints
  • 📝 Manipula arquivos
  • 🐛 Debugga e resolve problemas
  • 🔄 Itera automaticamente para açÔes complexas

Setup RĂĄpido

1. Instalar Ollama

# macOS
brew install ollama

# Ou faça download em: https://ollama.ai

2. Baixar modelo Mistral (ou outro)

ollama pull mistral
ollama pull nomic-embed-text  # Para embeddings

3. Iniciar servidor Ollama

ollama serve
# Roda em http://localhost:11434

4. Em outro terminal, instalar dependĂȘncias

pip install -r requirements.txt

5. Executar agent

Modo com query direta:

python main.py "Qual Ă© o status da API de usuĂĄrios?"

Modo interativo:

python main.py

Exemplos de Uso

Exemplo 1: Consultar documentação

VocĂȘ: Como autenticar na API?
Agent: [consulta docs] → Responde com informaçÔes dos documentos

Exemplo 2: Chamar API e processar resposta

VocĂȘ: Busque os dados do usuĂĄrio ID 123 em https://api.example.com/users/123
Agent: [chama endpoint] → [processa JSON] → Exibe resultado

Exemplo 3: Resolver problema

VocĂȘ: Recebi erro 401 ao chamar a API, o que fazer?
Agent: [busca docs] → [analisa erro] → Sugere soluçÔes

Exemplo 4: Criar arquivo baseado em API

VocĂȘ: Faça uma requisição GET para https://api.example.com/data e salve o resultado em output.json
Agent: [chama API] → [valida JSON] → [salva arquivo] → Confirma

Estrutura do Projeto

tale/
├── requirements.txt      # DependĂȘncias Python
├── main.py              # CLI principal
├── agent.py             # Lógica do agent
├── rag.py               # Processamento de documentos
├── tools.py             # Tools/Actions disponíveis
├── docs/                # Seus documentos (criar esta pasta)
│   ├── api.md           # Documentação de API
│   ├── guide.pdf        # Guias
│   └── ...
└── vector_store/        # Índice FAISS (criado automaticamente)

Adicionar Documentos

  1. Crie uma pasta ./docs/
  2. Adicione seus arquivos (PDF, TXT, MD, DOCX)
  3. Execute o agent - ele carregarĂĄ automaticamente
mkdir -p docs
cp seu-documento.pdf docs/
python main.py "pergunta sobre seu documento"

Adicionar Novas Tools

Abra tools.py e crie uma nova classe:

class MyTool:
    @staticmethod
    def my_action(param1: str) -> ToolResult:
        """Descrição da ação"""
        try:
            # Sua lĂłgica aqui
            return ToolResult(success=True, data=resultado)
        except Exception as e:
            return ToolResult(success=False, data=None, error=str(e))

Depois registre em TOOLS:

TOOLS = {
    ...
    "mytool": MyTool,
}

Use no agent:

<tool>{"tool": "mytool", "action": "my_action", "param1": "valor"}</tool>

ConfiguraçÔes

Trocar modelo de LLM

agent = Agent(model_name="neural-chat")  # ou "llama2", "orca", etc

Ajustar RAG

# Em rag.py, método chunk_documents()
agent.doc_processor.chunk_documents(
    chunk_size=2000,      # Tamanho dos chunks
    chunk_overlap=400     # Sobreposição
)

Aumentar iteraçÔes

agent.max_iterations = 20  # PadrĂŁo: 10

Troubleshooting

Erro: "Connection refused"

# Ollama nĂŁo estĂĄ rodando, execute:
ollama serve

Erro: "Model not found"

# Baixe o modelo:
ollama pull mistral
ollama pull nomic-embed-text

Documentos nĂŁo carregam

# Verificar pasta docs/
ls -la docs/

# Se vazia, criar exemplos:
python main.py  # Cria exemplos automaticamente

Agent muito lento

  • Reduza chunk_size em rag.py
  • Use modelo mais leve: ollama pull phi (2GB)
  • Reduza k em search(): k=2 em vez de k=3

Segurança & Privacidade

  • ✅ Tudo roda localmente
  • ✅ Nenhum dado Ă© enviado para cloud
  • ✅ Controle total sobre documentos
  • ⚠ Proteja sua pasta docs/ e .env (se usar)

PrĂłximas Melhorias

  • Integração com mais modelos locais
  • Cache de embeddings
  • Web UI com Streamlit
  • Logging e auditoria
  • Suporte a banco de dados (SQLite)
  • Agentes especializados (finance, devops, etc)

ReferĂȘncias

Desenvolvido com ❀ para automação local

About

Ai agent local

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Languages