Qdrant + LangChain + OpenAI: Semantic Search Powerhouse

📘 Visão Geral

Este repositório demonstra uma poderosa integração entre:

• 📦 Banco de Vetores: Qdrant
• 🔗 Biblioteca de Integração: LangChain
• 🤖 Embeddings: OpenAI text-embedding-ada-002

Uma aplicação moderna de recuperação de informações (RetrievalQA) que utiliza embeddings semânticos de alta performance.

✨ Funcionalidades Principais

• 🗃️ Banco de Vetores Escalável: Qdrant para armazenamento de vetores de alta dimensão
• 🧠 Embeddings Inteligentes: Geração via modelo text-embedding-ada-002
• �حث Recuperação Semântica: Buscas inteligentes com LangChain
• 📄 Processamento Inteligente: Divisão otimizada de textos
• 🔒 Segurança: Proteção de credenciais com .env

🛠️ Requisitos

• Python: 3.9+
• Docker (opcional)
• Conta OpenAI

🚀 Instalação Rápida

1. Clone o repositório:

   git clone https://github.com/seu-usuario/seu-repositorio.git
   cd seu-repositorio

2. Instale dependências:

   pip install -r requirements.txt

3. Configure suas credenciais: Crie um arquivo .env na raiz com:

   QDRANT_URL=http://localhost:6333
   OPENAI_API_KEY=sua-chave-api
   

🔬 Como Usar

1. Iniciar Qdrant (Docker):

   docker run -d --name qdrant -p 6333:6333 qdrant/qdrant

2. Executar aplicação:

   python main.py

3. Adicione seu texto base em base_dados.txt

🧮 Sobre a Dimensão 1536

Por que usamos 1536 dimensões?

• 🚀 Alta Performance: Captura semântica de qualidade
• 💨 Eficiência: Modelo ada-002 econômico e rápido
• 🔍 Ideal para: Busca semântica, clustering, análise de similaridade

📂 Estrutura do Projeto

.
├── .env                # Credenciais (git-ignored)
├── base_dados.txt      # Texto base para embeddings
├── main.py             # Script principal
├── requirements.txt    # Dependências
├── README.md           # Documentação
└── .gitignore          # Arquivos ignorados

🤝 Contribuições

Contribuições são super bem-vindas!

• Abra issues
• Envie pull requests
• Compartilhe feedbacks

📄 Licença

MIT License

---