Update README.md

README.md

@@ -1 +1,89 @@
-# rag_chat_gemma2
+# RAG Conversacional com Upload de PDF e Histórico de Chat
+
+Este projeto implementa um sistema de Recuperação de Informações Aumentada por Geração (RAG) conversacional usando Streamlit, LangChain, e modelos de linguagem de grande escala. O aplicativo permite que os usuários façam upload de documentos PDF, façam perguntas sobre o conteúdo desses documentos, e mantenham um histórico de chat para contexto em conversas contínuas.
+
+## Autor
+
+Reinaldo Chaves (reichaves@gmail.com)
+
+## Características
+
+- Interface de usuário Streamlit com tema dark
+- Upload de múltiplos arquivos PDF
+- Processamento de documentos usando LangChain e ChromaDB
+- Geração de respostas usando o modelo Gemma2-9b-It da Groq
+- Embeddings de texto usando o modelo all-MiniLM-L6-v2 do Hugging Face
+- Histórico de chat para manter o contexto da conversa
+- Barra lateral com orientações importantes para o usuário
+
+## Requisitos
+
+- Python 3.7+
+- Streamlit
+- LangChain
+- ChromaDB
+- PyPDF2
+- Transformers
+- Outras dependências listadas em `requirements.txt`
+
+## Instalação
+
+1. Clone este repositório:
+   ```
+   git clone https://github.com/seu_usuario/seu_repositorio.git
+   cd seu_repositorio
+   ```
+
+2. Instale as dependências:
+   ```
+   pip install -r requirements.txt
+   ```
+
+3. Configure as variáveis de ambiente ou tenha em mãos:
+   - Chave da API Groq
+   - Token da API Hugging Face
+
+## Uso
+
+1. Execute o aplicativo Streamlit:
+   ```
+   streamlit run app.py
+   ```
+
+2. Abra o navegador e acesse o endereço local mostrado no terminal.
+
+3. Insira suas chaves de API quando solicitado.
+
+4. Faça upload de um ou mais arquivos PDF.
+
+5. Faça perguntas sobre o conteúdo dos documentos na caixa de entrada de texto.
+
+## Como funciona
+
+1. **Upload de Documentos**: Os usuários fazem upload de arquivos PDF, que são processados e divididos em chunks menores.
+
+2. **Criação de Embeddings**: O texto é convertido em embeddings usando o modelo Hugging Face.
+
+3. **Armazenamento de Vetores**: Os embeddings são armazenados em um banco de dados ChromaDB para recuperação eficiente.
+
+4. **Processamento de Perguntas**: As perguntas dos usuários são contextualizadas com base no histórico do chat.
+
+5. **Recuperação de Informações**: O sistema recupera os chunks de texto mais relevantes com base na pergunta.
+
+6. **Geração de Respostas**: O modelo Gemma2-9b-It da Groq gera uma resposta com base nos chunks recuperados e na pergunta.
+
+7. **Manutenção do Histórico**: O histórico do chat é mantido para fornecer contexto em conversas contínuas.
+
+## Avisos Importantes
+
+- Não compartilhe documentos contendo informações sensíveis ou confidenciais.
+- As respostas geradas pela IA podem conter erros ou imprecisões. Sempre verifique as informações importantes.
+- Este projeto é para fins educacionais e de demonstração. Use com responsabilidade.
+
+## Contribuições
+
+Contribuições são bem-vindas! Por favor, abra uma issue para discutir mudanças importantes antes de fazer um pull request.
+
+## Licença
+
+[MIT License](LICENSE)