Chatbot baseado em PDFs (RAG) — Embeddings + Busca Vetorial

Projeto para responder perguntas com base no conteúdo de arquivos PDF usando:

• Extração de texto de PDFs
• Quebra em trechos (chunks)
• Geração de embeddings
• Indexação e busca vetorial (FAISS)
• Interface de chat (Streamlit)

Estrutura

• inputs/: sentenças exigidas pela DIO
• pdfs/: PDFs para indexação
• src/: scripts de indexação e app do chatbot
• vectorstore/: índice FAISS + metadados (gerado)

Prints do Projeto

Indexação dos PDFs

Chat (Streamlit)

Localhost

Evidências adicionais

Explicação dos Prints

Neste exemplo 5 pdfs de artigos sobre o Algoritmo de Djikstra foram utilizados: 3 deles em português e 2 em espanhol.

Outros PDFs podem ser utilizados no lugar dos que foram consumidos neste exemplo.

Mini-Relatório. Meus cometários específicos [em 2026-02-18].

Rodei todo o processo no meu computador, em localhost. É a primeira vez que faço RAG. O streamlit run conseguiu abrir o localhost mesmo sem vectorstore, mas o app parava de rodar quando tentava carregar vectorstore/index.faiss e vectorstore/chunks.json. Desconfiei da versão de Python utilizada, mas mantive a mais atual disponível, não troquei. O vectorstore/ ficava vazio porque a indexação não terminava (o VS Code sugeria MemoryError). Pesquisei como solucionar. A causa mais comum é: PDFs grandes + chunking ingênuo + embeddings em lote grande. Então substituí meu "src/indexar_pdfs.py" por uma versão incremental:

• para limitar chunks por PDF,
• limitar tamanho total de texto por PDF,
• e adicionar FAISS em lotes e salvar o chunks.json no final sem estourar RAM. Depois indexei PDFs e conferi o Vectorstore. Rodei o Streamlit. Deu certo.

Como rodar

1. Criar ambiente e instalar dependências

python -m venv .venv
source .venv/Scripts/activate
pip install -r requirements.txt