# Rag Assistente Conhecimento

> Criar assistente RAG com conhecimento da empresa.

- **Type:** Skill
- **Install:** `agentstack add skill-hermes-brasil-hermes-brasil-rag-assistente-conhecimento`
- **Verified:** Yes — security-reviewed for prompt injection and unsafe behavior
- **Seller:** [Hermes-brasil](https://agentstack.voostack.com/s/hermes-brasil)
- **Installs:** 0
- **Category:** [AI & ML](https://agentstack.voostack.com/c/ai-and-ml)
- **Latest version:** 0.1.0
- **License:** MIT
- **Upstream author:** [Hermes-brasil](https://github.com/Hermes-brasil)
- **Source:** https://github.com/Hermes-brasil/hermes-brasil/tree/main/skills/rag-assistente-conhecimento
- **Website:** https://hermesatlas.com

## Install

```sh
agentstack add skill-hermes-brasil-hermes-brasil-rag-assistente-conhecimento
```

Requires the [AgentStack CLI](https://agentstack.voostack.com/docs/cli). Works with Claude Code, Cursor, and any MCP-compatible agent.

## About

# 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

```python
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.

```python
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)
```python
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

## Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

- **Author:** [Hermes-brasil](https://github.com/Hermes-brasil)
- **Source:** [Hermes-brasil/hermes-brasil](https://github.com/Hermes-brasil/hermes-brasil)
- **License:** MIT
- **Homepage:** https://hermesatlas.com

Install and usage instructions live in the source repository linked above.

## Pricing

- **Free** — Free

## Security capabilities

Automated source analysis of v0.1.0 — what this tool can access:

- **Network access:** no
- **Filesystem access:** no
- **Shell / process execution:** no
- **Environment & secrets:** no
- **Dynamic code execution:** no

*"Yes" means the capability is present in the source — more access means more to trust, not that it is unsafe.*


## Versions

- **0.1.0** — security scan: passed — Imported from the upstream source.

## Links

- Listing page: https://agentstack.voostack.com/l/skill-hermes-brasil-hermes-brasil-rag-assistente-conhecimento
- Seller: https://agentstack.voostack.com/s/hermes-brasil
- Browse the marketplace: https://agentstack.voostack.com/browse

---
Listed on AgentStack — the marketplace for AI agent skills and MCP servers. Every listing is security-reviewed. Creators keep 70%.