🧠 RAG Chatbot com PDFs – Customizável para Qualquer Setor

Este projeto é um chatbot inteligente com RAG (Retrieval-Augmented Generation) desenvolvido para responder perguntas com base em documentos PDF de até 200 MB. Ideal para escritórios de advocacia, mas totalmente customizável para outros setores.

Construído com LangChain, OpenAI GPT-4o-mini, e interface amigável em Streamlit.

• Acesse em: https://lawchatbotpdf.streamlit.app/

---

🚀 Funcionalidades

• 💬 Chat com PDFs usando RAG (Retrieval-Augmented Generation)
• 🧩 Quebra de documentos em chunks semânticos com embeddings vetoriais
• 📚 Suporte para arquivos PDF grandes (até 200 MB)
• ⚙️ API da OpenAI com modelo GPT-4o-mini para geração de respostas
• 🔎 Busca inteligente de contexto nos documentos via vector store
• 🖥️ Interface leve e interativa com Streamlit
• 🔁 Prompt customizável para qualquer domínio de conhecimento

---

🛠️ Tecnologias e Ferramentas Utilizadas

Componente	Tecnologia
RAG (Retrieval-Augmented Generation)	LangChain
LLM	GPT-4o-mini via OpenAI API
Vetorização (Embeddings)	OpenAIEmbeddings
Armazenamento Vetorial	FAISS, Chroma ou outro configurável
Leitura de PDFs	PyMuPDF (fitz) ou pdfminer
Interface	Streamlit
Backend	Python 3.12+

---

📦 Instalação

Clone o repositório e instale as dependências:

git clone https://github.com/seu-usuario/chatbot-rag-pdf.git
cd chatbot-rag-pdf
pip install -r requirements.txt

---

🔐 Configuração de Variáveis (Streamlit Secrets)

⚠️ Para que o projeto funcione corretamente, é necessário configurar suas chaves de API no streamlit.secrets.

Crie um arquivo chamado .streamlit/secrets.toml com o seguinte conteúdo:

[openai]
api_key = "sk-sua-chave-aqui"

Alternativamente, no deploy online (ex: Streamlit Cloud), adicione essa variável diretamente em Settings > Secrets.

---

▶️ Executando o Projeto

streamlit run app.py

---

🔧 Customização

Você pode facilmente adaptar este projeto para outros setores:

• Alterando o prompt principal no código LangChain.
• Usando documentos de qualquer área (direito, saúde, contabilidade...).
• Trocando o sistema de embeddings ou o vector store.
• Implementando filtros por documentos, autores ou palavras-chave.

---

💡 Exemplos de Aplicação

• 👩‍⚖️ Escritório de advocacia: perguntas sobre contratos, petições, decisões.
• 🌽 Agronegócio: análise de laudos técnicos, relatórios de produção.
• 🧾 Contabilidade: interpretação de balancetes, notas fiscais.
• 🏥 Saúde: análise de laudos, protocolos clínicos.
• 🧪 Pesquisa científica: revisão de artigos e papers técnicos.

---

📄 Licença

MIT License

---