Pipeline de RAG, bancos vetoriais e busca inteligente
Por Mauro Mequelussi · Curso gratuito Mastra sem mistério: agentes e workflows em TypeScript · Português (PT-BR)
Resposta direta · O que esta aula resolve
A Aula 11 de 17 ("Pipeline de RAG, bancos vetoriais e busca inteligente"), parte do módulo "Memória e conhecimento" do curso gratuito "Mastra sem mistério: agentes e workflows em TypeScript" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: o aluno aprende a criar uma base de conhecimento para o agente Theo da Nuvem Café usando o pacote de RAG do Mastra. Veja como fatiar documentos mantendo metadados, gerar embeddings e armazenar em bancos como pgvector ou Pinecone. Além disso, entenda a decisão entre injetar contexto direto no prompt ou disponibilizar o RAG como ferramenta.
Crie sua conta grátis para assistir a esta videoaula em HD
O resumo técnico e os capítulos abaixo são abertos para consulta. Crie sua conta 100% gratuita em segundos para liberar todas as 17 videoaulas em HD, controle automático de progresso, Tutor IA e certificado gratuito verificável.
- R$ 0 · Sem cartão de crédito
- Tutor IA tira-dúvidas da aula
- Certificado gratuito incluso
O que você vai aprender
- Como fatiar Markdown, HTML e JSON preservando metadados e cabeçalhos
- Como gerar embeddings e armazenar em bancos como pgvector, Qdrant ou Pinecone
- Estratégias de busca com filtros de metadados, reclassificação semântica e busca em grafo
- Critérios práticos para escolher entre expor o RAG como ferramenta ou injetar no processador de entrada
Pontos-chave da aula
- O processador do Mastra divide conteúdos mantendo metadados cruciais para filtragem posterior
- A busca em grafo é indicada quando a resposta depende de relacionar múltiplos registros dispersos
- Injetar contexto no processador de entrada economiza requisições se a consulta for sempre necessária
- Usar o RAG como ferramenta é ideal quando a base precisa ser consultada apenas esporadicamente
Capítulos e roteiro técnico da aula
3 capítulos minutados- 00:00
Processamento e chunking de documentos no Mastra
Entenda como fatiar arquivos preservando metadados e cabeçalhos para alimentar a base de conhecimento.
- 00:33
Embeddings, bancos vetoriais e decisão de arquitetura
Saiba como gravar vetores no banco e decida entre usar RAG como ferramenta ou no processador de entrada.
- 01:12
Resultados práticos e próximos passos
Veja o Theo consultando fichas técnicas e uma prévia sobre workspaces e execução segura em sandbox.
Momentos de destaque na prática
Por que memória de conversa não substitui base de dados
Descubra como estruturar documentos para seu agente consultar informações oficiais sem inventar respostas.
Ferramenta vs. processador de entrada no RAG
Aprenda a escolher a melhor arquitetura de recuperação para economizar custos e voltas do modelo.
Notas de aula e guia de estudo
Memória de conversa ajuda na personalização, mas não substitui a documentação oficial da empresa. Nesta aula, você verá como montar o pipeline de RAG do Theo no Mastra para consultar dados técnicos de café com máxima precisão.
O que você vai aprender
- Como fatiar Markdown, HTML e JSON preservando metadados e cabeçalhos
- Como gerar embeddings e armazenar em bancos como pgvector, Qdrant ou Pinecone
- Estratégias de busca com filtros de metadados, reclassificação semântica e busca em grafo
- Critérios práticos para escolher entre expor o RAG como ferramenta ou injetar no processador de entrada
Pontos-chave
- O processador do Mastra divide conteúdos mantendo metadados cruciais para filtragem posterior
- A busca em grafo é indicada quando a resposta depende de relacionar múltiplos registros dispersos
- Injetar contexto no processador de entrada economiza requisições se a consulta for sempre necessária
- Usar o RAG como ferramenta é ideal quando a base precisa ser consultada apenas esporadicamente