📚 Trilha RAG¶
L100 L200 L300 L400
Retrieval-Augmented Generation (RAG) é o padrão mais comum para fundamentar agentes de IA nos seus próprios dados. Em vez de depender dos dados de treinamento do LLM, você recupera documentos relevantes no momento da consulta e os inclui no prompt.
O que Você Vai Construir¶
- ✅ Compreender o pipeline RAG de ponta a ponta
- ✅ Carregar, fragmentar e gerar embeddings de documentos usando GitHub Models (gratuito)
- ✅ Armazenar e consultar vetores com um pgvector local (Docker)
- ✅ Construir busca semântica sobre Azure PostgreSQL + pgvector
- ✅ Avaliar a qualidade do RAG com o Azure AI Evaluation SDK
Laboratórios da Trilha (7 laboratórios, ~355 min no total)¶
| Lab | Título | Nível | Custo |
|---|---|---|---|
| Lab 006 | O que é RAG? | L50 | ✅ Free |
| Lab 007 | O que são Embeddings? | L50 | ✅ Free |
| Lab 022 | Pipeline RAG com GitHub Models + pgvector | L200 | ✅ Free |
| Lab 026 | Padrão RAG Agêntico | L200 | ✅ GitHub Free |
| Lab 031 | Busca Semântica com pgvector no Azure | L300 | Free |
| Lab 039 | Comparação de Bancos de Dados Vetoriais | L300 | ✅ Free |
| Lab 042 | RAG Empresarial com Avaliações | L400 | ⚠️ Azure |
O Pipeline RAG¶
