Leitor Inteligente de PDFs

Código desenvolvido para explicar RAG para alunos da oficina "Fluxos Inteligentes: Construindo Sistemas Multiagentes com LangChain e LangGraph" no evento Elas@Conectam.

Este repositório apresenta um pipeline RAG (Retrieval-Augmented Generation) multimodal, ideal para quem deseja entender e aplicar fluxos de processamento de documentos que combinam texto e imagens .

---

📋 Sumário

• Funcionalidades
• Motivação e Contexto
• Pré-requisitos
• Instalação
• Estrutura do Projeto
• Como Usar
• Arquitetura
• Exemplo de Execução
• Contribuição
• Licença

---

🚀 Funcionalidades

• Extração de Texto: captura todo o conteúdo textual de cada página do PDF.
• Detecção e Salvamento de Imagens: extrai e armazena todas as imagens embutidas.
• Geração de Descrições Visuais: usa o modelo Gemini-2.0-Flash para criar descrições detalhadas de cada imagem.
• Indexação Semântica: converte textos e descrições em vetores usando MiniLM e armazena em FAISS.
• Pipeline RAG Modular: separa claramente as etapas de retrieve (busca de contexto) e generate (resposta), orquestrado por LangGraph.
• Interação em Tempo Real: usuário faz perguntas sobre o PDF e recebe respostas contextuais, com as imagens relevantes exibidas.

---

🎓 Motivação e Contexto

Durante o evento Elas@Conectam, a oficina Fluxos Inteligentes introduziu conceitos de sistemas multiagentes, RAG e arquiteturas de busca aumentada por recuperação. Este código serve como exemplo prático para demonstrar:

1. Como combinar LLMs multimodais (texto + imagem) em um único fluxo.
2. A modularidade de pipelines com LangChain e LangGraph.
3. A construção de um sistema didático que lê, entende e responde perguntas sobre PDFs.

---

🔧 Pré-requisitos

• Python 3.8+
• Conta e API Key do Google Cloud com acesso ao modelo Gemini
• Ambiente Jupyter ou Google Colab (recomendado)

---

🛠️ Instalação

1. Clone o repositório:

   git clone https://github.com/seu-usuario/leitor-pdf-multimodal.git
   cd leitor-pdf-multimodal

2. Instale as dependências:

   pip install -U langgraph langchain langchain-google-genai langchain_community faiss-cpu pdf2image PyMuPDF

3. Defina a API Key do Google:

   export GOOGLE_API_KEY="SUA_CHAVE_AQUI"

   Se usar Colab, a célula de configuração solicitará a chave interativamente.

---

📂 Estrutura do Projeto

leitor-pdf-multimodal/
├── notebook.ipynb       # Notebook com todo o pipeline e comentários
├── pdf_images/          # Diretório onde as imagens são extraídas
├── README.md            # Documentação deste projeto
└── requirements.txt     # Lista de dependências pinadas

---

📝 Como Usar

1. Abra notebook.ipynb no Colab ou Jupyter.

2. Execute as células na ordem:

   • Instalação de pacotes
   • Configuração da API Key
   • Upload do PDF
   • Extração de texto e imagens
   • Geração de descrições
   • Indexação semântica
   • Construção e visualização do grafo RAG
   • Loop de perguntas

3. Quando solicitado, digite sua pergunta sobre o PDF e confira:

   • Resposta textual baseada no contexto extraído.
   • Imagens relevantes exibidas abaixo da resposta.

---

🏗️ Arquitetura do Pipeline

1. Input: usuário faz upload de um PDF.

2. Extração:

   • Texto (PyMuPDF → Document).
   • Imagens (PyMuPDF → arquivos PNG).

3. Visão Computacional:

   • Envio de cada imagem ao Gemini para descrição detalhada.
   • Criação de Document para cada descrição.

4. Indexação Semântica:

   • Gerar embeddings (MiniLM).
   • Construir índice FAISS.

5. RAG (LangGraph):

   • retrieve: busca os documentos mais similares.
   • generate: gera resposta com o contexto reunido.

6. Output: exibição da resposta + imagens usadas.

---

🖼️ Exemplo de Execução

Pergunta: "Quais são os principais benefícios apresentados no capítulo 2?"

Resposta:

Os benefícios descritos incluem X, Y e Z...

Imagens relevantes:

---

📄 Licença

Este projeto está sob a MIT License.