🧠 Document RAG Service
Sistema RAG multiusuário em produção, com orquestração implementada do zero em Python e FastAPI, sem frameworks RAG de alto nível. Processa PDF, DOCX, ODT, FODT e RTF; extrai e divide textos em chunks; gera embeddings Qwen3 via Cloudflare Workers AI; e armazena vetores de 512 dimensões em PostgreSQL/pgvector (Neon). Nas consultas, combina busca semântica com transformação opcional de perguntas, fusão Reciprocal Rank Fusion (RRF), expansão por vizinhança e orçamento de contexto. As respostas são fundamentadas nos documentos selecionados e acompanhadas de Answer Trace, com evidências e scores de recuperação. A ingestão é resiliente a falhas com retries, batching adaptativo, lease, heartbeat e fencing token. Inclui autenticação JWT, isolamento por usuário, migrações Alembic, avaliação quantitativa de retrieval e testes automatizados. O frontend React/Vite faz parte do portfólio unificado, com backend independente hospedado no Render.
Avaliação de recuperação densa · 30 casos
Métricas do baseline de retrieval, não da precisão das respostas do LLM.