Design e UI Fonte oficial
RAG com LangChain: documentos, embeddings e vetores
Orienta a criação de sistemas RAG com carregamento e divisão de documentos, embeddings da OpenAI e bancos vetoriais.
Ver código no GitHub Instala diretamente do repositório-fonte.
O que esta skill faz
Esta skill organiza a implementação de geração aumentada por recuperação com LangChain. Ela cobre loaders, RecursiveCharacterTextSplitter, embeddings da OpenAI e opções de armazenamento vetorial como Chroma, FAISS e Pinecone.
Quando usar
- Criar um assistente que consulte documentos antes de responder
- Dividir arquivos extensos em trechos adequados para recuperação
- Gerar embeddings da OpenAI para conteúdo textual
- Indexar e pesquisar vetores com Chroma, FAISS ou Pinecone
Como usar
- Revise o repositório para identificar formatos de documentos, dependências e fluxo atual
- Escolha o document loader compatível com as fontes presentes
- Configure a divisão dos textos com RecursiveCharacterTextSplitter
- Gere embeddings e conecte o vector store escolhido
- Valide a recuperação com consultas representativas antes de integrar a geração
O que revisar antes de instalar
- A fonte não define parâmetros ideais de chunking ou recuperação
- O uso de embeddings da OpenAI exige configuração e credenciais próprias
- Chroma, FAISS e Pinecone têm operação e infraestrutura distintas
Para respeitar a licença do repositório, o conteúdo completo permanece no GitHub.
Abrir arquivo original