Um notebook publicado em 28 de novembro de 2024 demonstra uma receita de geração aumentada por recuperação (RAG) sobre arquivos PDF usando Docling e Weaviate. A proposta é um ponto de partida prático, não uma garantia de desempenho para qualquer coleção de documentos.
O Docling é descrito como um pacote Python de código aberto que converte documentos, incluindo PDFs, para Markdown ou JSON. Essas representações podem ser usadas na preparação do conteúdo que um pipeline de RAG recupera para responder a perguntas.
Para estudar a abordagem, comece examinando o notebook e identificando as etapas de conversão, organização do conteúdo e uso do Weaviate. Depois, teste com documentos não sensíveis e perguntas cujas respostas você possa conferir nos arquivos originais.
Antes de aplicar o fluxo a materiais internos, classifique os documentos e retire dados pessoais ou confidenciais que não sejam necessários. Verifique as saídas da conversão e as respostas, pois erros de extração podem afetar a recuperação. Se usar IA para analisar ou adaptar o exemplo, envie apenas dados autorizados e aplique a política de proteção da organização.