`RagTool`

Descrição

O RagTool foi desenvolvido para responder perguntas aproveitando o poder da Geração Aumentada por Recuperação (RAG) por meio do sistema RAG nativo da CrewAI. Ele fornece uma base de conhecimento dinâmica que pode ser consultada para recuperar informações relevantes de várias fontes de dados. Esta ferramenta é particularmente útil para aplicações que exigem acesso a uma ampla variedade de informações e precisam fornecer respostas contextualmente relevantes.

Exemplo

O exemplo a seguir demonstra como inicializar a ferramenta e usá-la com diferentes fontes de dados:

Code

from crewai_tools import RagTool

# Create a RAG tool with default settings
rag_tool = RagTool()

# Add content from a file
rag_tool.add(data_type="file", path="path/to/your/document.pdf")

# Add content from a web page
rag_tool.add(data_type="web_page", url="https://example.com")

# Define an agent with the RagTool
@agent
def knowledge_expert(self) -> Agent:
    '''
    This agent uses the RagTool to answer questions about the knowledge base.
    '''
    return Agent(
        config=self.agents_config["knowledge_expert"],
        allow_delegation=False,
        tools=[rag_tool]
    )

Fontes de Dados Suportadas

O RagTool pode ser utilizado com uma grande variedade de fontes de dados, incluindo:

📰 Arquivos PDF
📊 Arquivos CSV
📃 Arquivos JSON
📝 Texto
📁 Diretórios/Pastas
🌐 Páginas web em HTML
📽️ Canais do YouTube
📺 Vídeos do YouTube
📚 Sites de documentação
📝 Arquivos MDX
📄 Arquivos DOCX
🧾 Arquivos XML
📬 Gmail
📝 Repositórios GitHub
🐘 Bancos de dados PostgreSQL
🐬 Bancos de dados MySQL
🤖 Conversas no Slack
💬 Mensagens do Discord
🗨️ Fóruns Discourse
📝 Newsletters do Substack
🐝 Conteúdo do Beehiiv
💾 Arquivos Dropbox
🖼️ Imagens
⚙️ Fontes de dados personalizadas

Parâmetros

O RagTool aceita os seguintes parâmetros:

summarize: Opcional. Indica se o conteúdo recuperado deve ser resumido. O padrão é False.
adapter: Opcional. Um adaptador personalizado para a base de conhecimento. Se não for fornecido, será utilizado o CrewAIRagAdapter.
config: Opcional. Configuração do sistema RAG subjacente da CrewAI. Aceita um TypedDict RagToolConfig com as chaves opcionais embedding_model (ProviderSpec) e vectordb (VectorDbConfig). Todos os valores de configuração fornecidos programaticamente têm precedência sobre as variáveis de ambiente.

Adicionando Conteúdo

Você pode adicionar conteúdo à base de conhecimento utilizando o método add:

Code

# Add a PDF file
rag_tool.add(data_type="file", path="path/to/your/document.pdf")

# Add a web page
rag_tool.add(data_type="web_page", url="https://example.com")

# Add a YouTube video
rag_tool.add(data_type="youtube_video", url="https://www.youtube.com/watch?v=VIDEO_ID")

# Add a directory of files
rag_tool.add(data_type="directory", path="path/to/your/directory")

Exemplo de Integração com Agente

Veja como integrar o RagTool com um agente do CrewAI:

Code

from crewai import Agent
from crewai.project import agent
from crewai_tools import RagTool

# Initialize the tool and add content
rag_tool = RagTool()
rag_tool.add(data_type="web_page", url="https://docs.crewai.com")
rag_tool.add(data_type="file", path="company_data.pdf")

# Define an agent with the RagTool
@agent
def knowledge_expert(self) -> Agent:
    return Agent(
        config=self.agents_config["knowledge_expert"],
        allow_delegation=False,
        tools=[rag_tool]
    )

Configuração Avançada

É possível personalizar o comportamento do RagTool fornecendo um dicionário de configuração:

Code

from crewai_tools import RagTool
from crewai_tools.tools.rag import RagToolConfig, VectorDbConfig, ProviderSpec

# Create a RAG tool with custom configuration

vectordb: VectorDbConfig = {
    "provider": "qdrant",
    "config": {
        "collection_name": "my-collection"
    }
}

embedding_model: ProviderSpec = {
    "provider": "openai",
    "config": {
        "model_name": "text-embedding-3-small"
    }
}

config: RagToolConfig = {
    "vectordb": vectordb,
    "embedding_model": embedding_model
}

rag_tool = RagTool(config=config, summarize=True)

Configuração do Modelo de Embedding

O parâmetro embedding_model aceita um dicionário crewai.rag.embeddings.types.ProviderSpec com a seguinte estrutura:

{
    "provider": "provider-name",  # Required
    "config": {                    # Optional
        # Provider-specific configuration
    }
}

Provedores Suportados

OpenAI

main.py

from crewai.rag.embeddings.providers.openai.types import OpenAIProviderSpec

embedding_model: OpenAIProviderSpec = {
    "provider": "openai",
    "config": {
        "api_key": "your-api-key",
        "model_name": "text-embedding-ada-002",
        "dimensions": 1536,
        "organization_id": "your-org-id",
        "api_base": "https://api.openai.com/v1",
        "api_version": "v1",
        "default_headers": {"Custom-Header": "value"}
    }
}

Opções de Configuração:

api_key (str): Chave da API OpenAI
model_name (str): Modelo a ser utilizado. Padrão: text-embedding-ada-002. Opções: text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002
dimensions (int): Número de dimensões do embedding
organization_id (str): ID da organização OpenAI
api_base (str): URL base personalizada da API
api_version (str): Versão da API
default_headers (dict): Cabeçalhos personalizados para solicitações à API

Variáveis de Ambiente:

OPENAI_API_KEY ou EMBEDDINGS_OPENAI_API_KEY: api_key
OPENAI_ORGANIZATION_ID ou EMBEDDINGS_OPENAI_ORGANIZATION_ID: organization_id
OPENAI_MODEL_NAME ou EMBEDDINGS_OPENAI_MODEL_NAME: model_name
OPENAI_API_BASE ou EMBEDDINGS_OPENAI_API_BASE: api_base
OPENAI_API_VERSION ou EMBEDDINGS_OPENAI_API_VERSION: api_version
OPENAI_DIMENSIONS ou EMBEDDINGS_OPENAI_DIMENSIONS: dimensions

Cohere

main.py

from crewai.rag.embeddings.providers.cohere.types import CohereProviderSpec

embedding_model: CohereProviderSpec = {
    "provider": "cohere",
    "config": {
        "api_key": "your-api-key",
        "model_name": "embed-english-v3.0"
    }
}

Opções de Configuração:

api_key (str): Chave da API Cohere
model_name (str): Modelo a ser utilizado. Padrão: large. Opções: embed-english-v3.0, embed-multilingual-v3.0, large, small

Variáveis de Ambiente:

COHERE_API_KEY ou EMBEDDINGS_COHERE_API_KEY: api_key
EMBEDDINGS_COHERE_MODEL_NAME: model_name

VoyageAI

main.py

from crewai.rag.embeddings.providers.voyageai.types import VoyageAIProviderSpec

embedding_model: VoyageAIProviderSpec = {
    "provider": "voyageai",
    "config": {
        "api_key": "your-api-key",
        "model": "voyage-3",
        "input_type": "document",
        "truncation": True,
        "output_dtype": "float32",
        "output_dimension": 1024,
        "max_retries": 3,
        "timeout": 60.0
    }
}

Opções de Configuração:

api_key (str): Chave da API VoyageAI
model (str): Modelo a ser utilizado. Padrão: voyage-2. Opções: voyage-3, voyage-3-lite, voyage-code-3, voyage-large-2
input_type (str): Tipo de entrada. Opções: document (para armazenamento), query (para pesquisa)
truncation (bool): Indica se entradas que excedem o comprimento máximo devem ser truncadas. Padrão: True
output_dtype (str): Tipo de dados da saída
output_dimension (int): Dimensão dos embeddings de saída
max_retries (int): Número máximo de tentativas. Padrão: 0
timeout (float): Tempo limite da solicitação em segundos

Variáveis de Ambiente:

VOYAGEAI_API_KEY ou EMBEDDINGS_VOYAGEAI_API_KEY: api_key
VOYAGEAI_MODEL ou EMBEDDINGS_VOYAGEAI_MODEL: model
VOYAGEAI_INPUT_TYPE ou EMBEDDINGS_VOYAGEAI_INPUT_TYPE: input_type
VOYAGEAI_TRUNCATION ou EMBEDDINGS_VOYAGEAI_TRUNCATION: truncation
VOYAGEAI_OUTPUT_DTYPE ou EMBEDDINGS_VOYAGEAI_OUTPUT_DTYPE: output_dtype
VOYAGEAI_OUTPUT_DIMENSION ou EMBEDDINGS_VOYAGEAI_OUTPUT_DIMENSION: output_dimension
VOYAGEAI_MAX_RETRIES ou EMBEDDINGS_VOYAGEAI_MAX_RETRIES: max_retries
VOYAGEAI_TIMEOUT ou EMBEDDINGS_VOYAGEAI_TIMEOUT: timeout

Ollama

main.py

from crewai.rag.embeddings.providers.ollama.types import OllamaProviderSpec

embedding_model: OllamaProviderSpec = {
    "provider": "ollama",
    "config": {
        "model_name": "llama2",
        "url": "http://localhost:11434/api/embeddings"
    }
}

Opções de Configuração:

model_name (str): Nome do modelo Ollama (por exemplo, llama2, mistral, nomic-embed-text)
url (str): URL do endpoint da API Ollama. Padrão: http://localhost:11434/api/embeddings

Variáveis de Ambiente:

OLLAMA_MODEL ou EMBEDDINGS_OLLAMA_MODEL: model_name
OLLAMA_URL ou EMBEDDINGS_OLLAMA_URL: url

Amazon Bedrock

main.py

from crewai.rag.embeddings.providers.aws.types import BedrockProviderSpec

embedding_model: BedrockProviderSpec = {
    "provider": "amazon-bedrock",
    "config": {
        "model_name": "amazon.titan-embed-text-v2:0",
        "session": boto3_session
    }
}

Opções de Configuração:

model_name (str): ID do modelo Bedrock. Padrão: amazon.titan-embed-text-v1. Opções: amazon.titan-embed-text-v1, amazon.titan-embed-text-v2:0, cohere.embed-english-v3, cohere.embed-multilingual-v3
session (Any): Objeto de sessão Boto3 para autenticação da AWS

Variáveis de Ambiente:

AWS_ACCESS_KEY_ID: Chave de acesso da AWS
AWS_SECRET_ACCESS_KEY: Chave secreta da AWS
AWS_REGION: Região da AWS (por exemplo, us-east-1)

Azure OpenAI

main.py

from crewai.rag.embeddings.providers.microsoft.types import AzureProviderSpec

embedding_model: AzureProviderSpec = {
    "provider": "azure",
    "config": {
        "deployment_id": "your-deployment-id",
        "api_key": "your-api-key",
        "api_base": "https://your-resource.openai.azure.com",
        "api_version": "2024-02-01",
        "model_name": "text-embedding-ada-002",
        "api_type": "azure"
    }
}

Opções de Configuração:

deployment_id (str): Obrigatório - ID de implantação do Azure OpenAI
api_key (str): Chave da API Azure OpenAI
api_base (str): Endpoint do recurso Azure OpenAI
api_version (str): Versão da API. Exemplo: 2024-02-01
model_name (str): Nome do modelo. Padrão: text-embedding-ada-002
api_type (str): Tipo de API. Padrão: azure
dimensions (int): Dimensões da saída
default_headers (dict): Cabeçalhos personalizados

Variáveis de Ambiente:

AZURE_OPENAI_API_KEY ou EMBEDDINGS_AZURE_API_KEY: api_key
AZURE_OPENAI_ENDPOINT ou EMBEDDINGS_AZURE_API_BASE: api_base
EMBEDDINGS_AZURE_DEPLOYMENT_ID: deployment_id
EMBEDDINGS_AZURE_API_VERSION: api_version
EMBEDDINGS_AZURE_MODEL_NAME: model_name
EMBEDDINGS_AZURE_API_TYPE: api_type
EMBEDDINGS_AZURE_DIMENSIONS: dimensions

Google Generative AI

main.py

from crewai.rag.embeddings.providers.google.types import GenerativeAiProviderSpec

embedding_model: GenerativeAiProviderSpec = {
    "provider": "google-generativeai",
    "config": {
        "api_key": "your-api-key",
        "model_name": "gemini-embedding-001",
        "task_type": "RETRIEVAL_DOCUMENT"
    }
}

Opções de Configuração:

api_key (str): Chave da API Google AI
model_name (str): Nome do modelo. Padrão: gemini-embedding-001. Opções: gemini-embedding-001, text-embedding-005, text-multilingual-embedding-002
task_type (str): Tipo de tarefa para embeddings. Padrão: RETRIEVAL_DOCUMENT. Opções: RETRIEVAL_DOCUMENT, RETRIEVAL_QUERY

Variáveis de Ambiente:

GOOGLE_API_KEY, GEMINI_API_KEY ou EMBEDDINGS_GOOGLE_API_KEY: api_key
EMBEDDINGS_GOOGLE_GENERATIVE_AI_MODEL_NAME: model_name
EMBEDDINGS_GOOGLE_GENERATIVE_AI_TASK_TYPE: task_type

Google Vertex AI

main.py

from crewai.rag.embeddings.providers.google.types import VertexAIProviderSpec

embedding_model: VertexAIProviderSpec = {
    "provider": "google-vertex",
    "config": {
        "model_name": "text-embedding-004",
        "project_id": "your-project-id",
        "region": "us-central1",
        "api_key": "your-api-key"
    }
}

Opções de Configuração:

model_name (str): Nome do modelo. Padrão: textembedding-gecko. Opções: text-embedding-004, textembedding-gecko, textembedding-gecko-multilingual
project_id (str): ID do projeto Google Cloud. Padrão: cloud-large-language-models
region (str): Região do Google Cloud. Padrão: us-central1
api_key (str): Chave de API para autenticação

Variáveis de Ambiente:

GOOGLE_APPLICATION_CREDENTIALS: Caminho para o arquivo JSON da conta de serviço
GOOGLE_CLOUD_PROJECT ou EMBEDDINGS_GOOGLE_VERTEX_PROJECT_ID: project_id
EMBEDDINGS_GOOGLE_VERTEX_MODEL_NAME: model_name
EMBEDDINGS_GOOGLE_VERTEX_REGION: region
EMBEDDINGS_GOOGLE_VERTEX_API_KEY: api_key

Jina AI

main.py

from crewai.rag.embeddings.providers.jina.types import JinaProviderSpec

embedding_model: JinaProviderSpec = {
    "provider": "jina",
    "config": {
        "api_key": "your-api-key",
        "model_name": "jina-embeddings-v3"
    }
}

Opções de Configuração:

api_key (str): Chave da API Jina AI
model_name (str): Nome do modelo. Padrão: jina-embeddings-v2-base-en. Opções: jina-embeddings-v3, jina-embeddings-v2-base-en, jina-embeddings-v2-small-en

Variáveis de Ambiente:

JINA_API_KEY ou EMBEDDINGS_JINA_API_KEY: api_key
EMBEDDINGS_JINA_MODEL_NAME: model_name

HuggingFace

main.py

from crewai.rag.embeddings.providers.huggingface.types import HuggingFaceProviderSpec

embedding_model: HuggingFaceProviderSpec = {
    "provider": "huggingface",
    "config": {
        "url": "https://api-inference.huggingface.co/models/sentence-transformers/all-MiniLM-L6-v2"
    }
}

Opções de Configuração:

url (str): URL completa do endpoint da API de inferência do HuggingFace

Variáveis de Ambiente:

HUGGINGFACE_URL ou EMBEDDINGS_HUGGINGFACE_URL: url

Instructor

main.py

from crewai.rag.embeddings.providers.instructor.types import InstructorProviderSpec

embedding_model: InstructorProviderSpec = {
    "provider": "instructor",
    "config": {
        "model_name": "hkunlp/instructor-xl",
        "device": "cuda",
        "instruction": "Represent the document"
    }
}

Opções de Configuração:

model_name (str): ID do modelo HuggingFace. Padrão: hkunlp/instructor-base. Opções: hkunlp/instructor-xl, hkunlp/instructor-large, hkunlp/instructor-base
device (str): Dispositivo no qual executar. Padrão: cpu. Opções: cpu, cuda, mps, xpu
instruction (str): Prefixo de instrução para embeddings

Variáveis de Ambiente:

EMBEDDINGS_INSTRUCTOR_MODEL_NAME: model_name
EMBEDDINGS_INSTRUCTOR_DEVICE: device
EMBEDDINGS_INSTRUCTOR_INSTRUCTION: instruction

Sentence Transformer

main.py

from crewai.rag.embeddings.providers.sentence_transformer.types import SentenceTransformerProviderSpec

embedding_model: SentenceTransformerProviderSpec = {
    "provider": "sentence-transformer",
    "config": {
        "model_name": "all-mpnet-base-v2",
        "device": "cuda",
        "normalize_embeddings": True
    }
}

Opções de Configuração:

model_name (str): Nome do modelo Sentence Transformers. Padrão: all-MiniLM-L6-v2. Opções: all-mpnet-base-v2, all-MiniLM-L6-v2, paraphrase-multilingual-MiniLM-L12-v2
device (str): Dispositivo no qual executar. Padrão: cpu. Opções: cpu, cuda, mps, xpu
normalize_embeddings (bool): Indica se os embeddings devem ser normalizados. Padrão: False

Variáveis de Ambiente:

EMBEDDINGS_SENTENCE_TRANSFORMER_MODEL_NAME: model_name
EMBEDDINGS_SENTENCE_TRANSFORMER_DEVICE: device
EMBEDDINGS_SENTENCE_TRANSFORMER_NORMALIZE_EMBEDDINGS: normalize_embeddings

ONNX

main.py

from crewai.rag.embeddings.providers.onnx.types import ONNXProviderSpec

embedding_model: ONNXProviderSpec = {
    "provider": "onnx",
    "config": {
        "preferred_providers": ["CUDAExecutionProvider", "CPUExecutionProvider"]
    }
}

Opções de Configuração:

preferred_providers (list[str]): Lista de provedores de execução ONNX em ordem de preferência

Variáveis de Ambiente:

EMBEDDINGS_ONNX_PREFERRED_PROVIDERS: preferred_providers (lista separada por vírgulas)

OpenCLIP

main.py

from crewai.rag.embeddings.providers.openclip.types import OpenCLIPProviderSpec

embedding_model: OpenCLIPProviderSpec = {
    "provider": "openclip",
    "config": {
        "model_name": "ViT-B-32",
        "checkpoint": "laion2b_s34b_b79k",
        "device": "cuda"
    }
}

Opções de Configuração:

model_name (str): Arquitetura do modelo OpenCLIP. Padrão: ViT-B-32. Opções: ViT-B-32, ViT-B-16, ViT-L-14
checkpoint (str): Nome do checkpoint pré-treinado. Padrão: laion2b_s34b_b79k. Opções: laion2b_s34b_b79k, laion400m_e32, openai
device (str): Dispositivo no qual executar. Padrão: cpu. Opções: cpu, cuda

Variáveis de Ambiente:

EMBEDDINGS_OPENCLIP_MODEL_NAME: model_name
EMBEDDINGS_OPENCLIP_CHECKPOINT: checkpoint
EMBEDDINGS_OPENCLIP_DEVICE: device

Text2Vec

main.py

from crewai.rag.embeddings.providers.text2vec.types import Text2VecProviderSpec

embedding_model: Text2VecProviderSpec = {
    "provider": "text2vec",
    "config": {
        "model_name": "shibing624/text2vec-base-multilingual"
    }
}

Opções de Configuração:

model_name (str): Nome do modelo Text2Vec do HuggingFace. Padrão: shibing624/text2vec-base-chinese. Opções: shibing624/text2vec-base-multilingual, shibing624/text2vec-base-chinese

Variáveis de Ambiente:

EMBEDDINGS_TEXT2VEC_MODEL_NAME: model_name

Roboflow

main.py

from crewai.rag.embeddings.providers.roboflow.types import RoboflowProviderSpec

embedding_model: RoboflowProviderSpec = {
    "provider": "roboflow",
    "config": {
        "api_key": "your-api-key",
        "api_url": "https://infer.roboflow.com"
    }
}

Opções de Configuração:

api_key (str): Chave da API Roboflow. Padrão: "" (string vazia)
api_url (str): URL da API de inferência do Roboflow. Padrão: https://infer.roboflow.com

Variáveis de Ambiente:

ROBOFLOW_API_KEY ou EMBEDDINGS_ROBOFLOW_API_KEY: api_key
ROBOFLOW_API_URL ou EMBEDDINGS_ROBOFLOW_API_URL: api_url

WatsonX (IBM)

main.py

from crewai.rag.embeddings.providers.ibm.types import WatsonXProviderSpec

embedding_model: WatsonXProviderSpec = {
    "provider": "watsonx",
    "config": {
        "model_id": "ibm/slate-125m-english-rtrvr",
        "url": "https://us-south.ml.cloud.ibm.com",
        "api_key": "your-api-key",
        "project_id": "your-project-id",
        "batch_size": 100,
        "concurrency_limit": 10,
        "persistent_connection": True
    }
}

Opções de Configuração:

model_id (str): Identificador do modelo WatsonX
url (str): Endpoint da API WatsonX
api_key (str): Chave da API IBM Cloud
project_id (str): ID do projeto WatsonX
space_id (str): ID do espaço WatsonX (alternativa ao project_id)
batch_size (int): Tamanho do lote para embeddings. Padrão: 100
concurrency_limit (int): Número máximo de solicitações simultâneas. Padrão: 10
persistent_connection (bool): Utilizar conexões persistentes. Padrão: True
Mais de 20 opções adicionais de autenticação e configuração

Variáveis de Ambiente:

WATSONX_API_KEY ou EMBEDDINGS_WATSONX_API_KEY: api_key
WATSONX_URL ou EMBEDDINGS_WATSONX_URL: url
WATSONX_PROJECT_ID ou EMBEDDINGS_WATSONX_PROJECT_ID: project_id
EMBEDDINGS_WATSONX_MODEL_ID: model_id
EMBEDDINGS_WATSONX_SPACE_ID: space_id
EMBEDDINGS_WATSONX_BATCH_SIZE: batch_size
EMBEDDINGS_WATSONX_CONCURRENCY_LIMIT: concurrency_limit
EMBEDDINGS_WATSONX_PERSISTENT_CONNECTION: persistent_connection

Personalizado

main.py

from crewai.rag.core.base_embeddings_callable import EmbeddingFunction
from crewai.rag.embeddings.providers.custom.types import CustomProviderSpec

class MyEmbeddingFunction(EmbeddingFunction):
    def __call__(self, input):
        # Your custom embedding logic
        return embeddings

embedding_model: CustomProviderSpec = {
    "provider": "custom",
    "config": {
        "embedding_callable": MyEmbeddingFunction
    }
}

Opções de Configuração:

embedding_callable (type[EmbeddingFunction]): Classe da função de embedding personalizada

Observação: As funções de embedding personalizadas devem implementar o protocolo EmbeddingFunction definido em crewai.rag.core.base_embeddings_callable. O método __call__ deve aceitar dados de entrada e retornar embeddings como uma lista de arrays numpy (ou um formato compatível que será normalizado). Os embeddings retornados são normalizados e validados automaticamente.

Observações

Todos os campos de configuração são opcionais, a menos que estejam marcados como Obrigatório
Normalmente, as chaves de API podem ser fornecidas por meio de variáveis de ambiente em vez da configuração
Os valores padrão são exibidos quando aplicável

Conclusão

O RagTool oferece uma maneira poderosa de criar e consultar bases de conhecimento a partir de diversas fontes de dados. Ao explorar a Geração Aumentada por Recuperação, ele permite que agentes acessem e recuperem informações relevantes de forma eficiente, ampliando a capacidade de fornecer respostas precisas e contextualmente apropriadas.

Começando

Guias

Conceitos-Chave

Integração MCP

Ferramentas

Observabilidade

Aprenda

Telemetria

Ferramenta RAG

`RagTool`

Descrição

Exemplo

Fontes de Dados Suportadas

Parâmetros

Adicionando Conteúdo

Exemplo de Integração com Agente

Configuração Avançada

Configuração do Modelo de Embedding

Provedores Suportados

Observações

Conclusão

​RagTool

​Descrição

​Exemplo

​Fontes de Dados Suportadas

​Parâmetros

​Adicionando Conteúdo

​Exemplo de Integração com Agente

​Configuração Avançada

​Configuração do Modelo de Embedding

​Provedores Suportados

​Observações

​Conclusão

`RagTool`

Descrição

Exemplo

Fontes de Dados Suportadas

Parâmetros

Adicionando Conteúdo

Exemplo de Integração com Agente

Configuração Avançada

Configuração do Modelo de Embedding

Provedores Suportados

Observações

Conclusão