Aula 17: Chatbot de Combate à Dengue com RAG – Curso Completo para Iniciantes

Projeto final integrador do curso LangChain

Esta aula encerra o curso completo de LangChain apresentando um projeto prático e funcional: um chatbot especializado em conscientização sobre Dengue. O sistema combina todos os conceitos aprendidos nas aulas anteriores — desde carregamento de documentos até geração aumentada por recuperação (RAG) — em uma solução coerente que simula um assistente de saúde pública. O chatbot não apenas responde perguntas sobre sintomas, tratamentos e medidas de prevenção, mas também registra casos suspeitos em um arquivo CSV, consolidando aprendizado teórico em implementação prática e realista.

Arquitetura e componentes principais

A solução foi estruturada em camadas bem definidas. Primeiro, há a camada de ingestão, onde Document Loaders (especificamente PyPDFLoader) extraem conteúdo de PDFs. As páginas contendo imagens passam por uma chain de transcrição usando modelos multimodais, convertendo elementos visuais em texto interpretável. O RecursiveCharacterTextSplitter fragmenta o conteúdo em chunks otimizados, permitindo uma busca semântica precisa. Os embeddings são gerados via OpenAIEmbeddings e armazenados no Qdrant, um banco de dados vetorial de alto desempenho, formando a base para o RAG — técnica que reduz alucinações ao fornecer respostas ancoradas em evidências documentadas.

Sistema de roteamento inteligente

O fluxo de diálogo utiliza uma chain de classificação que identifica automaticamente o tipo de requisição do usuário em três categorias: busca de informações (sintomas, tratamento, prevenção), orientações práticas, ou reporte de casos suspeitos. Dependendo da classificação, a pergunta é roteada para a chain especializada apropriada. A chain de orientação e informação consulta o banco vetorial para fornecer dados relevantes e confiáveis. A chain de cadastro de casos captura detalhes do paciente e registra-os em CSV para acompanhamento posterior. Uma chain geral trata perguntas amplas ou fora do escopo específico, garantindo que nenhuma questão fique sem resposta.

Persistência de contexto com memória e banco local

O chatbot mantém histórico de conversas utilizando SQLite como banco de dados local. Essa memória permite que o sistema recupere sessões anteriores, contextualizando novas perguntas com base na história de interação do usuário. A presença de histórico estruturado melhora significativamente a qualidade do diálogo, permitindo que o chatbot reconheça padrões de comportamento e ajuste suas respostas de forma mais humanizada e relevante. O armazenamento local também garante privacidade e independência em relação a serviços externos para gerenciamento de memória.

Demonstração prática e integração com API

A aula inclui uma demonstração ao vivo do chatbot interagindo com um usuário. São apresentadas perguntas reais sobre sintomas de Dengue, interpretação de tratamentos, análise de gráficos presentes nos documentos indexados, e o fluxo de registro de casos suspeitos. O vídeo também mostra como disponibilizar o chatbot como uma API usando LangServe, transformando o sistema local em um serviço web escalável. Essa integração permite que o chatbot seja consumido por aplicações externas — como portais de saúde, aplicativos móveis ou plataformas de atendimento — ampliando seu alcance e impacto na conscientização pública.

Consolidação do aprendizado prático

O projeto reúne praticamente todos os tópicos abordados no curso: Runnables para composição de lógica, memória para contexto persistente, analisadores de saída para estruturação de respostas, carregadores de documentos para ingestão multimodal, bancos vetoriais para busca semântica, e chains para orquestração de fluxos complexos. Ao implementar um chatbot funcional dedicado a um domínio de saúde pública, o aluno vivencia como ferramentas de LangChain trabalham em sinergia, aprendendo não apenas conceitos isolados, mas padrões arquiteturais reutilizáveis em projetos reais.

Leitura editorial para o Cursob

Esta aula faz parte de uma sequência progressiva sobre LangChain e inteligência artificial aplicada. Para estudar com critério, o ponto central não é apenas repetir o código apresentado, mas entender o papel de cada componente dentro de uma aplicação com modelos de linguagem. O aluno deve observar qual problema a aula resolve, que informacoes entram no fluxo, como o contexto e preparado, como a resposta do modelo e estruturada e quais limites precisam ser considerados antes de usar o resultado em um projeto real.

No contexto do Cursob, este conteúdo ajuda a conectar fundamentos de LLMs, prompts, chains, documentos, RAG, embeddings e agentes de IA. Essa conexao e importante porque LangChain normalmente aparece em projetos que exigem mais do que uma chamada simples a um chatbot. O framework ajuda a organizar etapas, padronizar entradas e saidas, recuperar informacoes relevantes e criar aplicações que podem ser testadas e evoluidas. Assim, a aula funciona como parte de um caminho de estudo mais amplo, útil para quem quer transformar experimentos com IA em sistemas mais confiaveis.