00:00:00Quase todo sistema RAG sofre do exato mesmo problema.
00:00:04Eles só conseguem lidar com documentos de texto.
00:00:06Então, se você tentar dar a ele imagens, tabelas, gráficos, o que quer que seja,
00:00:10a maioria dos sistemas RAG simplesmente não consegue lidar.
00:00:12E quando eu mostrei o LightRAG ontem,
00:00:13ele sofria do exato mesmo problema.
00:00:16Mas hoje eu vou te mostrar a solução.
00:00:19E essa solução é o RAG Anything.
00:00:20O RAG Anything resolve esse problema de documentos para nós.
00:00:23Ele pode lidar com imagens.
00:00:24Pode lidar com tabelas.
00:00:25Pode lidar com gráficos.
00:00:25E nos permite criar um sistema RAG
00:00:28que realmente lida com os documentos que você usa.
00:00:31O RAG Anything é da mesma equipe que criou o LightRAG.
00:00:34Ele se conecta diretamente ao sistema LightRAG
00:00:36que já construímos ontem.
00:00:37Então é muito fácil introduzir isso na nossa stack.
00:00:40E hoje eu vou te mostrar exatamente como configurar
00:00:43e como ele funciona por baixo do capô.
00:00:44Para que você possa começar a usar um dos mais poderosos
00:00:46sistemas RAG que existem.
00:00:48Caso não tenha ficado óbvio pela abertura,
00:00:50vou assumir que você já assistiu
00:00:52ao vídeo do LightRAG de ontem.
00:00:54Vou colocar um link acima se você ainda não fez isso,
00:00:56porque hoje vou assumir que você já configurou
00:00:58seu servidor LightRAG.
00:00:59Você entende como o RAG funciona e entende
00:01:02toda essa questão do grafo de conhecimento.
00:01:03Porque o RAG Anything vai ser essencialmente um wrapper
00:01:06em torno do LightRAG.
00:01:07Ainda teremos a mesma interface web do LightRAG
00:01:10com algumas diferenças,
00:01:11mas tudo o que for enviado para o RAG Anything,
00:01:13sabe, esses documentos que não são de texto,
00:01:15eventualmente acabam no mesmo grafo de conhecimento.
00:01:17Faremos a ele as mesmas perguntas.
00:01:19Usaremos a mesma API para consultá-lo
00:01:22através do Claude Code como fizemos ontem.
00:01:24E a funcionalidade que vamos adicionar hoje
00:01:26é significativa.
00:01:28Não basta construir um sistema RAG puramente de texto.
00:01:30Não operamos em um mundo puramente de texto.
00:01:32Quantos de vocês já receberam um documento PDF
00:01:34que tecnicamente nem é texto, é apenas escaneado.
00:01:36O LightRAG não consegue lidar com isso, o RAG Anything consegue.
00:01:39Agora seremos um pouco técnicos hoje.
00:01:40Vamos olhar por baixo do capô e explicarei exatamente
00:01:43como todo esse sistema funciona.
00:01:44Mas, no panorama geral, o que ele está fazendo?
00:01:46O RAG Anything está apenas olhando para os documentos
00:01:49que não são texto.
00:01:50Ele basicamente faz exatamente o que o LightRAG faz,
00:01:52exceto para esses documentos que não são texto.
00:01:55E depois que ele cria seu próprio grafo de conhecimento
00:01:56e seu próprio banco de dados vetorial,
00:01:58ele o funde com o do LightRAG,
00:02:00e é por isso que tudo acaba ficando em um único lugar
00:02:04organizado para fazermos perguntas.
00:02:06Agora, os únicos pontos negativos sobre o RAG Anything
00:02:08é que ele é um pouco mais pesado.
00:02:09Temos que baixar alguns modelos que ficam no computador
00:02:12que ajudam a analisar alguns desses documentos não textuais.
00:02:14E quando se trata de processar documentos que não são texto,
00:02:18não podemos fazer isso realmente pela interface do LightRAG.
00:02:22Temos que usar um script.
00:02:23Felizmente, é aqui que entra o Claude Code.
00:02:25Então para você, usuário, depois de configurar tudo isso,
00:02:28tudo o que você tem que fazer para processar documentos não textuais
00:02:31é dizer ao Claude Code: "ei, vá em frente,
00:02:33use a habilidade RAG Anything e processe este documento".
00:02:36É simples assim.
00:02:37E você faz as perguntas da mesma forma que antes.
00:02:39Então, nada mal.
00:02:40E de novo, você ganha toda essa funcionalidade apenas fazendo isso.
00:02:43Agora, antes de entrarmos em como o RAG Anything funciona,
00:02:46quero fazer um rápido jabá do meu Masterclass de Claude Code
00:02:49que saiu há algumas semanas,
00:02:50e é o lugar número um para ir do zero a desenvolvedor de IA,
00:02:53especialmente se você não tiver um background técnico.
00:02:55Eu atualizo isso literalmente toda semana.
00:02:57Tem uma nova atualização chegando amanhã.
00:02:59Então se você é alguém que está tentando dominar
00:03:01o Claude Code e não tem ideia de por onde começar,
00:03:03bem, isso é para você.
00:03:05Tem um link para isso nos comentários.
00:03:07Está dentro do Chase AI Plus.
00:03:09Eu também tenho a comunidade gratuita Chase AI.
00:03:11Se isso for demais para você,
00:03:12e você está apenas começando.
00:03:14O link está na descrição.
00:03:15É lá que você também encontrará os prompts e as habilidades
00:03:19de que vou falar hoje.
00:03:20Então certifique-se de conferir de qualquer maneira.
00:03:22Agora vamos falar sobre o RAG Anything
00:03:23e como essa coisa realmente funciona.
00:03:25Para ser honesto, é bem simples e autoexplicativo.
00:03:28Então para não perder seu tempo,
00:03:29vou deixar esta imagem na tela por uns 10 segundos,
00:03:32e depois passaremos para a próxima coisa.
00:03:34Certo, muito bom.
00:03:39Tudo bem, vamos seguir em frente.
00:03:41Estou brincando.
00:03:42Na verdade tem bastante coisa acontecendo.
00:03:44Esta imagem torna as coisas mais confusas do que realmente são.
00:03:46E se você entende o que fizemos outro dia com o LightRAG,
00:03:50lembra daquela conversa, você vai se dar bem.
00:03:52O RAG Anything opera de maneira semelhante,
00:03:55apenas com alguns passos extras.
00:03:56E eu quero passar por isso,
00:03:57porque acho importante entender
00:03:58como essas coisas funcionam.
00:04:00Eu acho que em IA, no geral,
00:04:01é fácil focar apenas no lado super prático.
00:04:04Tipo: "Eu só quero saber como instalar, Chase,
00:04:05e depois como usar".
00:04:06Tudo bem, você pode pular se for o seu caso.
00:04:08Mas acho que se você quer ser um dev de IA mais maduro
00:04:11e quer meio que se separar
00:04:13da função mecânica que eu poderia substituir,
00:04:15que apenas clica em aceitar, aceitar, aceitar e copia
00:04:17prompts e habilidades,
00:04:18então acho importante ter algum,
00:04:21entendimento de arquitetura,
00:04:22porque é isso que vai te separar
00:04:23das outras pessoas.
00:04:24E não apenas em termos de como usar este sistema RAG,
00:04:27mas em projetos maiores e de nível superior, certo?
00:04:30É assim que você começa a criar suas próprias habilidades,
00:04:34e a realmente ficar bom nisso.
00:04:35Então vamos falar sobre isso.
00:04:37RAG Anything.
00:04:38Vamos falar sobre o problema, certo?
00:04:40O problema é que tenho um PDF que é escaneado
00:04:44e não é realmente texto,
00:04:45e ainda assim preciso colocá-lo no meu sistema RAG.
00:04:46O LightRAG não consegue lidar com isso.
00:04:48Então surge o RAG Anything, certo?
00:04:51Ele tem aquela lhama legal com óculos escuros.
00:04:53A primeira coisa que acontece
00:04:56é que vou processar este documento no RAG Anything.
00:05:00E a primeira coisa que ele fará
00:05:02é usar um programa chamado MinerU,
00:05:05que roda no seu computador de forma totalmente local e gratuita.
00:05:08E ele vai essencialmente decompor este documento
00:05:11em suas partes componentes.
00:05:12O MinerU é um projeto de código aberto.
00:05:14Novamente, é essencialmente um analisador de documentos
00:05:16que inclui vários modelos especializados em miniatura.
00:05:19Tudo o que você precisa saber é, se você tem receio,
00:05:21ele é open source.
00:05:22Vou colocar um link abaixo.
00:05:23E, de novo, é isso que estará rodando
00:05:25e fazendo a maior parte do trabalho para nós hoje.
00:05:26O MinerU olha para este documento e diz:
00:05:29"Ok, isto é um cabeçalho".
00:05:32Ele cria um box ao redor do cabeçalho.
00:05:33Diz: "Isto é texto".
00:05:36Diz: "Isto é uma tabela".
00:05:39Diz: "Isto é uma imagem de um gráfico de barras".
00:05:41E diz: "Isto é uma equação escrita em LaTeX".
00:05:44O que ele fez foi olhar para o documento
00:05:47e separá-lo em suas partes específicas.
00:05:50O MinerU não entende o que está lá dentro.
00:05:52O MinerU não está lendo o texto.
00:05:53Ele não processa o texto.
00:05:55Ele não entende do que se trata a tabela.
00:05:56Ele apenas sabe: tabela, texto, imagem, ok?
00:06:01A partir daí, ele enviará essas partes componentes
00:06:05para modelos individuais especializados que fazem parte do MinerU.
00:06:10Isso tudo é invisível para você.
00:06:12Tudo acontece automaticamente por baixo do capô.
00:06:15Um dos modelos se chama algo como PaddleOCR.
00:06:20É ele quem vai olhar para o texto.
00:06:21O MinerU envia esse bloco de texto para o PaddleOCR
00:06:24no seu computador, e ele vai extrair o texto, ok?
00:06:28Então agora, em vez de ser um texto escaneado,
00:06:30é texto real que diz: "empresa X relatou forte 3T23".
00:06:34"Resultados com crescimento de receita, blá, blá, blá...".
00:06:36Certo? O mesmo para este texto.
00:06:40O mesmo para a tabela, certo?
00:06:41Ele também vai transformá-la em texto, certo?
00:06:43Algo que um LLM consiga processar.
00:06:45Mesma coisa com as equações em LaTeX.
00:06:47Ele tem um modelo inteiro que cuida disso, certo?
00:06:48Isso agora não é mais LaTeX, é texto propriamente dito.
00:06:52Exceto para imagens.
00:06:54Seja um gráfico de barras ou apenas,
00:06:57realmente qualquer coisa que ele não consiga transformar em texto.
00:07:00O que ele fará em vez disso
00:07:01é tirar um print, um screenshot,
00:07:03e isso é importante, ok?
00:07:05Então agora isso é uma captura de tela.
00:07:07É uma imagem, um print. Adoro isso.
00:07:11Então o que temos?
00:07:13Inserimos um documento que não é de texto.
00:07:16Ele foi identificado em suas partes componentes,
00:07:18e pegamos essas partes
00:07:20e as dividimos em dois grupos, certo?
00:07:22Temos o balde de texto e temos o balde de imagem.
00:07:26É importante perceber isso.
00:07:28Há dois caminhos que podem ser seguidos, imagem ou texto.
00:07:31Tudo bem, estão comigo?
00:07:32Então o que vai fazer agora
00:07:34é que terminamos de usar esses modelos internos.
00:07:36Agora precisamos trazer os pesos pesados.
00:07:37Agora precisamos trazer algo como o GPT 5.4 Mini.
00:07:40Note que este não é necessariamente o caso.
00:07:42Você poderia manter tudo local se quisesse.
00:07:44Você poderia usar algo como o Ollama.
00:07:45Então agora eu pego o balde de texto e o envio para o GPT 5.4 Mini.
00:07:50E incluo um comando que diz:
00:07:52"Quero que você separe este texto para duas coisas".
00:07:55"Quero que você pegue esse texto"
00:07:57"e o separe em entidades e relacionamentos".
00:08:01Lembram-se de entidades e relacionamentos?
00:08:03Lembram-se do nosso gráfico de conhecimento?
00:08:05Entidade, entidade, e o tipo de relacionamento entre elas.
00:08:09Ok, e eu quero que você o separe
00:08:13no que serão os embeddings para um banco de dados vetorial.
00:08:17Então, embeddings, embutir,
00:08:21e então vou apenas dizer entidades mais relacionamentos.
00:08:26Agora, pensando adiante, o que vai acontecer ali?
00:08:29Bem, os embeddings vão se tornar embeddings
00:08:32em um banco de dados vetorial e as entidades e relacionamentos
00:08:35vão se tornar um gráfico de conhecimento,
00:08:37exatamente como fizemos com o LightRag, certo?
00:08:39A mesma coisa, mesma coisa, exceto que agora,
00:08:42agora é a partir do balde de texto.
00:08:44Mas e aquelas imagens que tínhamos, certo?
00:08:47O que vamos fazer com elas?
00:08:48A mesma coisa, isso também será enviado para o 5.4,
00:08:52mas será como uma captura de tela, como um OCR.
00:08:55Então estamos dizendo ao GPT 5.4: dê uma olhada nesta captura de tela
00:08:59e a separe em duas coisas, certo?
00:09:02Embeddings e também entidades mais relacionamentos.
00:09:06Agora, por que fazemos isso?
00:09:07Por que não colocamos tudo no mesmo comando exato
00:09:09e deixamos que ele faça o OCR de tudo isso, certo?
00:09:12Por que não tratamos tudo isso como uma captura de tela?
00:09:14Porque é caro e lento.
00:09:16O que o RAG-anything decidiu fazer,
00:09:17e eu acho que é bem inteligente,
00:09:19é usar um bisturi nisso no seu computador
00:09:21em nível local, separando em texto,
00:09:24e separando em capturas de tela.
00:09:25Então, quando passamos por esses dois caminhos,
00:09:27você economiza muito dinheiro e tempo.
00:09:29Porque imagine você tentando fazer o ChatGPT
00:09:31olhar para 10.000 capturas de tela e depois extrair todo o texto
00:09:34e, a partir do texto, extrair os embeddings
00:09:36e as entidades e relacionamentos.
00:09:37Leva muito tempo e custa caro.
00:09:38Isso aqui é mais inteligente.
00:09:40Então, entidades e relacionamentos do lado da imagem,
00:09:44exatamente a mesma coisa.
00:09:45Também gera um banco de dados vetorial
00:09:49e também gera um gráfico de conhecimento.
00:09:52Então, o que isso significa?
00:09:53Significa que a partir de um documento,
00:09:55agora criamos quatro tipos de coisas, certo?
00:09:59Temos dois bancos de dados vetoriais
00:10:02e temos dois gráficos de conhecimento
00:10:04a partir do nosso único documento não textual.
00:10:08Estão comigo?
00:10:09Agora, o que temos que fazer?
00:10:10Bem, é meio óbvio.
00:10:11Precisamos fundir tudo isso.
00:10:12Então ele vai pegar essas quatro coisas
00:10:15e simplesmente juntá-las, certo?
00:10:18Elas vão basicamente se sobrepor umas às outras.
00:10:19Ele vai combiná-las baseando-se essencialmente nas entidades.
00:10:22E você terá, ao final,
00:10:27um banco de dados vetorial e um gráfico de conhecimento.
00:10:31Praticamente a mesma coisa
00:10:32que fizemos lá em cima com o LightRag.
00:10:34Simples assim.
00:10:35Se estivéssemos apenas usando o RAG-anything,
00:10:38isso seria basicamente tudo.
00:10:40No entanto, lembrem-se que estamos tentando colocar o RAG-anything
00:10:44por cima do LightRag.
00:10:46Eu quero todo o poder do LightRag
00:10:48e quero todo o poder do RAG-anything.
00:10:50Então o que acontece agora?
00:10:52Bem, o que acontece é apenas uma repetição do que vocês acabaram de ver.
00:10:54Então vamos trazer isso para cá.
00:10:55Agora temos o nosso conjunto RAG-anything
00:11:00com um banco de dados vetorial e um gráfico de conhecimento
00:11:05e temos o nosso conjunto LightRag.
00:11:06Então o que fazemos?
00:11:07Nós apenas fundimos os dois.
00:11:09Então o que acontece é que combinamos o RAG-everything
00:11:13com o LightRag,
00:11:15o que nos dá, finalmente, um banco de dados vetorial
00:11:20e um gráfico de conhecimento.
00:11:21E a partir daí, é exatamente como era antes
00:11:24com o LightRag sozinho, certo?
00:11:27Você faz uma pergunta sobre qualquer coisa,
00:11:31essa pergunta é transformada em um vetor aqui em cima.
00:11:33Ele extrai os vetores relevantes
00:11:35e então ele também desce aqui,
00:11:37encontra a entidade correta
00:11:39e depois observa o que está por perto, ok?
00:11:43Talvez isso tenha sido um pouco confuso.
00:11:44Espero ter explicado bem.
00:11:46Vou fazer uma recapitulação para confundir vocês ainda mais.
00:11:51O que acontece quando eu adiciono um documento que não é texto?
00:11:54Ele vai para o RAG-anything.
00:11:56O RAG-anything separa o texto que for possível
00:11:58e depois separa as imagens que forem possíveis também.
00:12:00Ele envia ambos para o ChatGPT
00:12:02ou qualquer sistema de IA que você queira.
00:12:05Ele separa isso em embeddings,
00:12:07entidades e relacionamentos.
00:12:09Esses são transformados em gráficos de conhecimento e bancos de dados vetoriais.
00:12:13Nós então fundimos tudo isso.
00:12:15Agora temos um banco de dados vetorial
00:12:17e um gráfico de conhecimento para o RAG-anything.
00:12:19E como já vínhamos rodando isso no LightRag,
00:12:22ou se você adicionou mais documentos por cima disso,
00:12:24você tem um banco de dados vetorial existente
00:12:27e um gráfico de conhecimento existente.
00:12:29Para resolver isso, nós simplesmente os fundimos.
00:12:32E no fim, você nem percebeu nada.
00:12:35Novamente, como usuário, tudo isso é invisível para você, ok?
00:12:39Nada disso realmente importa para você.
00:12:41A única coisa que pode importar
00:12:42é o que está acontecendo aqui com o GPT 5.4
00:12:45porque vai te custar algum dinheiro.
00:12:47Mas para fins educacionais,
00:12:50é assim que o sistema RAG-anything
00:12:53se integra ao sistema LightRag.
00:12:55E no final das contas,
00:12:57isso significa apenas que você tem um sistema de RAG
00:12:58que pode lidar com documentos não textuais.
00:13:00E se você ainda estiver por aqui depois de tudo isso,
00:13:03agora podemos entrar em como você realmente instala isso
00:13:07e como usa.
00:13:08Então agora vamos falar sobre a instalação,
00:13:09como realmente usá-lo
00:13:10e algumas coisas com as quais você precisa ter cuidado.
00:13:11Eu criei um comando pronto que você pode dar ao Claude Code
00:13:14que vai instalar tudo para você
00:13:17e atualizar os modelos adequados e tudo mais.
00:13:19Tudo o que você precisa fazer é garantir
00:13:20que está no seu diretório do LightRag quando rodar isso.
00:13:23Então há realmente três coisas que ele fará.
00:13:25Primeiro, ele vai garantir
00:13:27que atualizamos aquele caminho de armazenamento correto
00:13:29já que você já tem uma instância Docker do LightRag rodando.
00:13:32Segundo, queremos atualizar o modelo
00:13:33porque baseando-se no GitHub,
00:13:34ele foi criado há algum tempo originalmente.
00:13:37Então todos os scripts de exemplo e tudo isso
00:13:39usam coisas como o GPT 4.0 mini.
00:13:41Então eu o coloquei no 5.4 nano.
00:13:43Entenda que você pode mudar isso se quiser.
00:13:45Mas eu fiz com que usasse o 5.4 nano e também mantive
00:13:48o text-embedding-3-large para que possamos usar a OpenAI
00:13:51para tudo.
00:13:51Isso mantém as coisas simples, brinque com isso como desejar.
00:13:54Por fim, como estamos usando o RAG-anything
00:13:55basicamente como uma camada por cima do LightRag,
00:13:58alguns dos scripts de exemplo fornecidos no repositório do GitHub
00:14:02estão meio errados.
00:14:03Existe esse bug de embrulho duplo de embedding,
00:14:05que, novamente, apenas dizemos ao Claude Code para corrigir
00:14:08e ele corrigirá.
00:14:09Então você vai apenas usar este comando.
00:14:12Novamente, ele está dentro da comunidade escolar gratuita.
00:14:14O link está na descrição.
00:14:15Basta procurar por RAG-anything e você o encontrará lá.
00:14:18E assim que você rodar esse comando,
00:14:19ele começará a baixar tudo
00:14:21e entenda que é um pouco pesado
00:14:22porque precisa baixar o MinerU
00:14:23e todas aquelas dependências também.
00:14:25Agora vamos falar sobre ingerir documentos
00:14:26porque isso é meio chato e trabalhoso.
00:14:28Em um mundo perfeito, a situação LightRag mais RAG-anything
00:14:33seria muito otimizada e eu poderia jogar
00:14:35o que eu quisesse no LightRag / RAG-anything
00:14:40através de uma interface única.
00:14:41Eu poderia entrar na interface, ir em upload
00:14:44e fazer isso.
00:14:45Você realmente não pode com o RAG-anything com o LightRag.
00:14:48Você ainda pode fazer isso para documentos de texto.
00:14:50Então você ainda pode seguir o fluxo normal
00:14:52que mostrei no vídeo anterior, onde você vai à interface
00:14:54ou usa a habilidade do LightRag para subir documentos.
00:14:59Não dá para fazer isso com o RAG-anything.
00:15:01Ele tem que passar essencialmente por um túnel diferente,
00:15:04um caminho diferente.
00:15:05Mas esse caminho diferente com o RAG-anything
00:15:07é um script em Python.
00:15:09Não tem interface, não tem botão para apertar.
00:15:11É literalmente um script.
00:15:12É um código que você precisa rodar.
00:15:14Agora, felizmente, é aqui que o Claude Code entra
00:15:16e torna tudo muito simples, pois vamos apenas transformar
00:15:19aquele script dentro do repositório em uma "skill".
00:15:23Então, para você, uma vez que essa skill for criada,
00:15:25tudo o que você precisa fazer é dizer: "Claude code,
00:15:28use a skill rag anything para fazer o upload de todos estes documentos,
00:15:32todos estes documentos que não são de texto".
00:15:33E quando ele fizer isso,
00:15:34ele passará pelo processo do MinerU.
00:15:36Vai levar algum tempo porque ele tem que fazer todas estas,
00:15:39você sabe, coisas com ele, como explicamos
00:15:41na seção técnica,
00:15:43mas ele fará o upload para o LightRag
00:15:45e ele aparecerá dentro dos seus documentos
00:15:47e dentro do seu gráfico de conhecimento.
00:15:49Ok, essa é a única parte estranha que você precisa saber.
00:15:51A outra parte estranha, para ser honesto, é que após fazer isso,
00:15:54também é necessário reiniciar o container Docker,
00:15:58mas como parte da skill, isso acontece automaticamente.
00:16:00Então, novamente, do seu ponto de vista como usuário,
00:16:03a única diferença é que você só precisa invocar a skill.
00:16:06Agora, esta skill, a skill de upload do rag anything,
00:16:08também está dentro da comunidade gratuita.
00:16:10Então, basta baixá-la e colocá-la na sua pasta .claude
00:16:13e então ela funcionará perfeitamente.
00:16:14Agora, uma observação sobre o MinerU demorar um pouco,
00:16:17é devido à forma como o rag anything funciona.
00:16:19Quando você o baixa, ele vai rodar na sua CPU.
00:16:22Se você quiser que ele rode na sua GPU,
00:16:24você precisa ter uma versão diferente do PyTorch.
00:16:27Se tudo isso foi confuso para você,
00:16:29apenas, se estiver muito lento, diga ao Claude code:
00:16:32"Ei, podemos rodar o PyTorch?
00:16:34Podemos rodar o MinerU na nossa GPU?"
00:16:36E ele vai te guiar em todo o processo.
00:16:37Ou, na verdade, ele fará tudo sozinho.
00:16:39Mas, por padrão, ele vai apenas rodar na sua CPU.
00:16:41Então, apenas saiba disso.
00:16:42Então, vamos ver um exemplo disso em ação.
00:16:44Um dos documentos que ingerimos foi
00:16:48este PDF da Novatech, certo?
00:16:50Análise de receita SaaS.
00:16:51É totalmente fictício.
00:16:52Mas o ponto é que ingerimos algo
00:16:55que tem esse tipo de gráfico de barras, certo?
00:16:57Isso é algo que obviamente teria sido extraído
00:16:59como uma imagem enviada para o ChatGPT, etc., etc.
00:17:01Normalmente, o LightRag não conseguiria lidar com isso
00:17:03porque é apenas uma imagem.
00:17:05São gráficos, é difícil para ele decompor isso.
00:17:07Mas como passamos isso pelo rag anything,
00:17:10agora podemos fazer uma pergunta via Claude code sobre isso.
00:17:13Então eu perguntei ao Claude code:
00:17:14"Podemos consultar nosso banco de dados LightRag
00:17:15sobre a tendência de receita mensal da Novatech Inc
00:17:18de janeiro a setembro de 2025?"
00:17:20Você pode ver aqui, ele nem usou a skill.
00:17:22Ele simplesmente fez a requisição de API direto,
00:17:24o que também funciona bem com a consulta.
00:17:26"Qual foi a tendência de receita mensal da Novatech Inc
00:17:29de tal data a tal data, etc., etc."
00:17:30Agora, ele deu uma resposta completa.
00:17:32Eu poderia dar uma olhada na resposta bruta se quisesse.
00:17:35Mas o que ele fez?
00:17:36Ele retornou com os detalhamentos mensais completos.
00:17:39Vemos Janeiro 4.6, 4.6, Fevereiro 4.9, 4.9,
00:17:43Março 5.4, 5.4, e assim por diante.
00:17:46Então, em termos de fazer perguntas sobre esses novos documentos,
00:17:48é a mesma coisa de antes.
00:17:49A única diferença é o upload.
00:17:51Tudo o que você precisa fazer é invocar aquela skill
00:17:53que estou te dando e então dizer ao Claude code
00:17:55o que você quer colocar lá.
00:17:56Você pode apontar para uma pasta inteira.
00:17:58Você pode apontar para um download específico.
00:18:00É igualmente fácil.
00:18:01Esta é a única coisa realmente estranha com que se acostumar
00:18:04são esses dois caminhos de upload.
00:18:05Mas a pergunta e resposta em si,
00:18:07é apenas linguagem natural.
00:18:09Linguagem natural, mesmo se você tiver as skills também,
00:18:11que eu também forneci no último vídeo,
00:18:13mas o Claude code também é inteligente o suficiente
00:18:14para entender a estrutura da API de tudo isso.
00:18:17Porque é local, está no seu computador.
00:18:19Então, é basicamente isso quando se trata do rag anything.
00:18:21Eu sei que a maior parte deste vídeo
00:18:22foi focada nos aspectos técnicos,
00:18:24mas como você vê, uma vez que construímos a base do LightRag,
00:18:28adicionar o rag anything por cima não é tão difícil,
00:18:32especialmente se usarmos aquele prompt de comando único que eu te dei.
00:18:35Existem algumas coisas que você pode ajustar nos detalhes,
00:18:37como qualquer coisa quando se trata de consultá-lo,
00:18:39mas, na verdade, com o Claude code,
00:18:41ele meio que fica encarregado de todos os pesos
00:18:43que você pode sintonizar dentro do LightRag.
00:18:45E para isso, estou falando sobre,
00:18:45se formos para a seção de recuperação,
00:18:47todos os parâmetros aqui à direita.
00:18:49Novamente, o Claude code sabe quais costumam ser os melhores para você.
00:18:52No geral, espero que isso tenha explicado
00:18:56como é fácil configurar o rag anything,
00:18:58e também como é fácil adicionar este nível de funcionalidade
00:19:02aos seus sistemas de RAG,
00:19:03o que em muitos sistemas de RAG simplesmente não é possível
00:19:05ou é muito caro.
00:19:06E isto é relativamente barato,
00:19:08especialmente com todo esse sistema local de parsing MinerU
00:19:11que conseguimos configurar.
00:19:12Então, como sempre, deixe-me saber o que achou.
00:19:14Não deixe de conferir o Chase AI+
00:19:16se quiser colocar as mãos naquela masterclass de Claude code,
00:19:18e a gente se vê por aí.