Visão geral do curso
Este curso apresenta a implementação prática de um sistema RAG do zero utilizando LangChain. Você aprenderá a vetorizar documentos com embeddings, configurar ChromaDB para armazenamento vetorial, executar similarity search e criar prompts otimizados. A abordagem combina conceitos fundamentais de Retrieval Augmented Generation com ferramentas modernas de Python e OpenAI API.
Para quem este curso faz sentido
Desenvolvedores e profissionais de dados interessados em construir assistentes de IA com conhecimento especializado. Ideal para quem busca implementar sistemas que acessem bases de conhecimento externas e gerem respostas contextualmente relevantes usando LLM.
Como estudar esta sequência
Acompanhe a aula prática que demonstra cada etapa da implementação RAG. Prepare seu ambiente com Python, LangChain e ChromaDB. Trabalhe com embeddings usando Sentence Transformers, configure a vetorização de documentos e pratique similarity search. Implemente os prompts demonstrados para consolidar o conhecimento.
O que você deve conseguir ao concluir
Ao concluir, você será capaz de construir um sistema RAG funcional que recupera informações de bases de conhecimento e as utiliza para gerar respostas contextualizadas. Compreenderá como funciona a vetorização de documentos, o armazenamento em vector databases e a integração com LLMs para geração aumentada.
