agentleFS
Hermes-brasilHermes-brasil/hermes-brasil/skills/rag-assistente-conhecimento/SKILL.md

rag-assistente-conhecimento

Skill159 starsChanged 3 months agoMITView on GitHub

Criar assistente RAG com conhecimento da empresa.

The file

Files
SKILL.md

RAG — Assistente de Conhecimento (Retrieval-Augmented Generation)

O que é: técnica que permite IA acessar conhecimento EXTERNO (documentos, FAQ, banco de dados da empresa) para dar respostas precisas e baseadas nos dados do cliente — em vez de respostas genéricas do modelo.

Conceitos-chave

📋 PIPELINE DE RAG:
├── 1. INGESTÃO: carregar documentos
├── 2. INDEXAÇÃO: dividir em chunks + gerar embeddings
├── 3. RETRIEVAL: buscar chunks relevantes à pergunta
└── 4. GERAÇÃO: modelo responde usando o contexto recuperado

Técnicas avançadas (aplicar conforme necessidade)

├── Query Translation: melhorar a pergunta antes de buscar
│   ├── Multi-Query (várias versões da pergunta)
│   ├── RAG Fusion (combina resultados)
│   ├── Decomposition (quebra pergunta complexa)
│   ├── Step Back (pergunta mais geral)
│   └── HyDE (gera resposta hipotética para buscar)
├── Routing: direcionar pergunta ao modelo/fluxo certo
├── Indexing avançado: RAPTOR, ColBERT
├── CRAG (Conditional RAG): corrigir retrieval com base no grau de confiança
└── Adaptive RAG: decide quando buscar mais dados ou responder direto

Embeddings

  • Convertem texto em vetores numéricos (capturam significado)
  • Similaridade de COSSENO (padrão), Euclidiana, Dot Product
  • Modelos: OpenAI, Gemini, Cohere, open source (sentence-transformers)
  • pt-BR: paraphrase-multilingual-MiniLM-L12-v2 (entende português)
  • CRÍTICO: usar o MESMO modelo para documentos e perguntas
from sentence_transformers import SentenceTransformer
modelo = SentenceTransformer("paraphrase-multilingual-MiniLM-L12-v2")
doc = modelo.encode("Horário de funcionamento da clínica")
pergunta = modelo.encode("A que horas abre?")

Chunking — lição importante

NÃO dividir por contagem de palavras (mistura assuntos e recupera seção errada). Dividir por SEÇÕES temáticas (títulos ##), cada seção vira um chunk com o título prefixado como contexto: f"{titulo}: {corpo}". Isso mantém cada chunk coerente e a busca fica muito mais precisa.

def chunking_por_secoes(texto):
    """Divide texto em seções (##) em vez de cortar por palavras."""
    secoes = []
    atual = {"titulo": "geral", "corpo": []}
    for linha in texto.splitlines():
        if linha.startswith("## "):
            if atual["corpo"]:
                secoes.append(atual)
            atual = {"titulo": linha[3:].strip(), "corpo": []}
        elif linha.strip():
            atual["corpo"].append(linha.strip())
    if atual["corpo"]:
        secoes.append(atual)
    return [f"{s['titulo']}: {' '.join(s['corpo'])}" for s in secoes if s["corpo"]]

Busca semântica (retrieval)

import numpy as np

def buscar(pergunta, chunk_embeddings, textos, top_k=3):
    q = modelo.encode(pergunta)
    scores = [np.dot(q, c) / (np.linalg.norm(q) * np.linalg.norm(c)) for c in chunk_embeddings]
    melhores = np.argsort(scores)[-top_k:][::-1]
    return [(textos[i], scores[i]) for i in melhores]

Fluxo de trabalho (para cliente real)

⚙️ IMPLEMENTAÇÃO:
├── 1. Levantar os documentos do cliente (FAQ, políticas, catálogo)
├── 2. Estruturar o conteúdo (seções claras)
├── 3. Rodar chunking + embeddings
├── 4. Testar busca com perguntas reais
├── 5. Conectar geração (API do modelo)
├── 6. Integrar ao canal (WhatsApp/site)
├── 7. Testar respostas e ajustar
├── 8. Definir limite (quando passar para humano)
└── 9. Manutenção e atualização do conhecimento

Venda como serviço (preços de referência)

💰 PRECIFICAÇÃO:
├── Chatbot básico: R$ 1.000-3.000
├── Assistente RAG completo: R$ 3.000-8.000
├── Assistente avançado (multi-função): R$ 8.000-15.000
├── Manutenção mensal: R$ 500-2.000
└── Licença/uso recorrente: R$ 300-1.500/mês

Pitfalls

  • Chunking por seção, não por palavra (crítico para qualidade)
  • Embeddings locais = busca sem custo; usar modelo multilingue para pt-BR
  • Testar sempre com perguntas reais do cliente
  • Definir limite claro de quando passar para atendimento humano
  • Proteger dados sensíveis (LGPD) — não vazar informações confidenciais
  • Atualizar o conhecimento periodicamente
  • Transparência: avisar que é assistente de IA

Quando usar

  • Cliente pede chatbot/assistente inteligente
  • Criar produto/ebook de RAG (tema com demanda)
  • Quer diferenciar de chatbot genérico

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.