Plataforma de apoio ao estudo com geração aumentada por recuperação (RAG)

Abstract

Este trabalho apresenta o desenvolvimento de uma plataforma baseada em Geração Aumentada por Recuperação (RAG) voltada ao apoio ao estudo e à consulta contextualizada de informações. A solução foi implementada em arquitetura modular e conteinerizada, integrando serviços em FastAPI, Angular, MySQL, Qdrant, MinIO e o modelo LLaMA 3.1 8B-Instruct, acessado via OpenRouter API. Foram utilizados embeddings BAAI/bge-small-en-v1.5 para representação vetorial e recuperação semântica dos documentos. A metodologia abrangeu o desenvolvimento de um pipeline completo de RAG, desde a extração e segmentação textual até a geração de respostas fundamentadas nas fontes originais. A avaliação teórica, baseada no framework RAGAS, apresentou desempenho consistente, com Aggregate Score médio de 0,78 e tempo médio de resposta de 3,7 segundos. Esses resultados demonstram que a integração entre modelos de linguagem e bancos vetoriais é viável e eficaz para aplicações acadêmicas, permitindo a geração de respostas contextualizadas e semanticamente fiéis. Conclui-se que a proposta contribui para o avanço de sistemas de inteligência artificial aplicados à educação, evidenciando o potencial da tecnologia RAG para aprimorar a busca e compreensão de informações técnicas em língua portuguesa.