live-rag-match

Agente de matchmaking serverless com memória real, construído com LangGraph, AWS Lambda, DynamoDB e Amazon OpenSearch Serverless.

Apresentado na live: "Agentes serverless com memória real: LangGraph, Step Functions e DynamoDB na AWS"

Arquitetura

Usuário → API (Lambda Function URL)
            ↓
         LangGraph StateGraph
            ↓
    ┌───────────────────────┐
    │  chat                 │  ← conversa com a Lua (Gemini)
    │  summarization        │  ← extrai perfil estruturado
    │  register_user        │  ← gera UUID, salva DynamoDB + OpenSearch
    │  rag_search           │  ← kNN vetorial no OpenSearch (Gemini Embeddings)
    │  present_matches      │  ← gera explicações personalizadas (Gemini)
    └───────────────────────┘
            ↓
    DynamoDB (3 tabelas)      OpenSearch Serverless
    ├── checkpoints           └── user-profiles (kNN, 3072 dims)
    ├── memory store
    └── chat history

Stack

Camada	Tecnologia
Runtime	Node.js 20 + TypeScript
Orquestração	LangGraph JS (StateGraph)
LLM	Gemini 3.5 Flash (@langchain/google-genai)
Embeddings	gemini-embedding-001 (3072 dims)
Memória	DynamoDB — checkpointer, memory store, chat history
Busca vetorial	Amazon OpenSearch Serverless (kNN)
Deploy	Serverless Framework v4 + Lambda Function URL

Pré-requisitos

• Node.js 20+
• AWS CLI configurado (aws configure)
• Serverless Framework v4 (npm i -g serverless)
• Docker (para DynamoDB local)
• Conta Google AI Studio com API key
• Collection no Amazon OpenSearch Serverless

Variáveis de ambiente

Crie um arquivo .env na raiz (ou exporte no shell antes do deploy):

export GOOGLE_API_KEY=sua_chave_aqui
export OPENSEARCH_ENDPOINT=https://<id>.aoss.us-east-1.on.aws

O env.yml usa ${env:VARIAVEL} para ler do shell no momento do deploy.

Desenvolvimento local

# Sobe DynamoDB local e cria as tabelas
npm run start:dev

# Em outro terminal — popula perfis de teste no OpenSearch
node scripts/seed-profiles.mjs

A UI fica em ui/index.html — abra direto no browser ou sirva com:

npx serve ui -p 3000

Deploy na AWS

serverless deploy

Após o deploy a saída mostra a URL:

endpoint: https://<id>.lambda-url.us-east-1.on.aws/

Atualize const API em ui/index.html com a nova URL.

Fluxo do grafo

START → chat
          ├── usuário retornando (userId + perfil) → rag_search → present_matches → END
          ├── novo usuário com perfil completo      → summarization → register_user → rag_search → present_matches → END
          └── ainda coletando dados                 → END

Tabelas DynamoDB

Tabela	Finalidade
live-rag-match-echo-checkpoints	LangGraph checkpointer (estado da conversa por thread_id)
live-rag-match-echo-writes	LangGraph writes (pendências do checkpointer)
live-rag-match-echo-memory	Memory store — perfil do usuário por user_id
live-rag-match-echo-chat-history	Histórico de mensagens por userId + sessionId

Infraestrutura OpenSearch

• Collection tipo Vector Search no Amazon OpenSearch Serverless
• Index user-profiles com mapeamento kNN (3072 dims, gemini-embedding-001)
• Scale-to-zero automático — custo zero quando ocioso
• Política de acesso: aoss:APIAccessAll para o role do Lambda

Por que essa stack?

O objetivo é demonstrar que não precisamos de infraestrutura complexa para construir um agente de IA com RAG e memória real. Lambda + DynamoDB + OpenSearch Serverless escalam a zero — custo praticamente zero quando em repouso.