Makerchain é um assistente inteligente baseado em busca vetorial para suporte em projetos maker localmente, utilizando modelos locais Ollama com Mistral, integrado com FastAPI para uma interface web simples e eficiente.

• ✨ Descrição
• ⏳ Linha do Tempo de Execução
• ⚙️ Componentes do Projeto
• 🛠 Tecnologias Usadas
• 🔍 Alternativas ao FAISS
• ▶️ Como Rodar
• 🤝 Contribuições
• 📄 Licença

Makerchain permite consultas inteligentes em documentos indexados por vetores, combinando o poder do modelo Mistral local via Ollama com a eficiência do índice FAISS.
Você pergunta em português e recebe respostas contextuais rápidas — tudo via uma interface web simples, com histórico e opção para limpar! 💬✨

1. 🛠️ Ingestão dos dados (ingest.py)

   • Coleta e processa documentos (PDF, condigo fonte, texto, etc).
   • Extrai texto dos documentos usando bibliotecas como unstructured e pypdf.
   • Divide o texto em pedaços menores (chunks).
   • Gera embeddings para cada chunk usando OllamaEmbeddings.
   • Armazena os vetores no banco vetorial local FAISS.

2. 📚 Carga do banco vetorial e modelo (load_qa_chain)

   • Carrega o banco de dados FAISS com os embeddings.
   • Inicializa o modelo de linguagem ChatOllama (ex: modelo "mistral").

3. 💬 Recepção da pergunta via API (FastAPI)

   • Usuário envia a pergunta via aplicação web.
   • Backend recebe e processa a requisição.

4. 🔍 Processamento da pergunta e recuperação

   • O retriever busca os chunks mais relevantes no FAISS.
   • O LLM gera resposta contextualizada usando os chunks.

5. 📝 Resposta ao usuário e histórico

   • Resposta é enviada para o frontend.
   • Perguntas e respostas são armazenadas em sessão para histórico.
   • Usuário pode limpar o histórico via botão.

O script ingest.py agora permite selecionar dinamicamente o splitter para divisão dos chunks:

• recursive – padrão, com RecursiveCharacterTextSplitter, focado em velocidade e simplicidade.
• semantic – utiliza .sentence_splitter.SemanticChunker (ou similar) para gerar chunks contextuais mais coesos, com base em embeddings.

• FastAPI — Framework web rápido e moderno
• Uvicorn — Servidor ASGI para rodar FastAPI
• Jinja2 — Templates HTML dinâmicos
• LangChain — Framework para construção de pipelines com LLMs
• Langchain-Ollama — Integração local com modelos Ollama
• FAISS — Biblioteca para indexação e busca vetorial
• Python-Multipart — Suporte a envio de formulários
• Starlette Sessions — Gerenciamento de sessão no FastAPI

1. Instale as dependências:

   pip install -r requirements.txt

2. Adicione os documentos, códigos fonte e outros arquivos na pasta data.

3. Faça a vetorização dos arquivos usando o script ingest.py:

   python3 ingest.py

4. Execute o servidor FastAPI:

   python -m uvicorn src.main:app --reload

5. Acesse o sistema pelo navegador:
   http://localhost:8000

6. Interaja com o Makerchain! ✨

Você pode rodar o MakerChain via Docker de forma se preferir:

• Docker instalado

1. Execute via Docker Compose:

docker-compose up --build

2. Acesse no navegador:

http://localhost:8000

services:
  makerchain:
    build: .
    ports:
      - "8000:8000"
    volumes:
      - .:/app
    working_dir: /app
    command: uvicorn src.main:app --host 0.0.0.0 --port 8000 --reload
    environment:
      - OLLAMA_HOST=http://host.docker.internal:11434

• Integração com o OpenWebUI.
• Explorar outras alternativas para banco vetorial.
• Uso de arquitetura MCP.

1. Fork o repositório
2. Crie uma branch (git checkout -b feature/nova-funcionalidade)
3. Commit suas mudanças (git commit -am 'Adiciona nova funcionalidade')
4. Push para a branch (git push origin feature/nova-funcionalidade)
5. Abra um Pull Request

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.