RAG Bootcamp

Uma introdução à técnica Retrieval-Augmented Generation (RAG), demonstrando como construir uma aplicação de Q&A (Perguntas e Respostas) com LangChain e Google Gemini.

📂 Estrutura do Repositório

O projeto está organizado da seguinte forma:

• /code: Contém o notebook Jupyter RAG_LLM_Basics_IEEE.ipynb com a implementação prática do RAG
• /presentation: Contém os slides rag_course_ieee.pdf utilizados na apresentação teórica
• /document: Contém o documento utilizado para a realização do RAG bandeira_tarifaria.pdf
• LICENSE: Arquivo de licença do projeto
• README.md: Este arquivo, com as instruções e a documentação do projeto

📜 Agenda do Curso

Seção	Descrição
1. 🔎 Introdução ao RAG	Apresenta o conceito e a motivação para uso de sistemas RAG
2. 🏗️ Arquitetura e Componentes	Visão geral da arquitetura típica de um sistema RAG e descrição de cada componente: Documentos, Chunking, Embeddings, Vector Database, Prompt Template e LLM
3. ⚙️ Como Construir?	Apresenta os principais frameworks para desenvolvimento de sistemas RAG
4. 🔧 Hands-On	Implementação prática no notebook RAG_LLM_Basics_IEEE.ipynb, utilizando LangChain, Google Gemini, FAISS e PyPDF2

⚖️ Licença

Este projeto é licenciado sob a Licença MIT.