Visão Geral do Fluxo de Trabalho

Este é um sistema de geração de descrições de produtos baseado na arquitetura RAG (Retrieval-Augmented Generation). Ele recebe solicitações de informações sobre produtos por meio de webhooks, recupera contexto relevante em um banco de dados vetorial, utiliza inteligência artificial para gerar descrições de alta qualidade e registra os resultados no Google Sheets.

Arquitetura do Fluxo de Trabalho

Mecanismo de Disparo

• Webhook Trigger: Endpoint POST /product-description-generator, que recebe requisições externas para geração de descrições de produtos.

Fluxo de Processamento de Dados

1. Pré-processamento de Texto

• Text Splitter: Divide o texto de entrada em blocos.
  • Tamanho do bloco: 400 caracteres
  • Sobreposição entre blocos: 40 caracteres
  • Garante coerência textual e preservação do contexto

2. Armazenamento Vetorizado

• Embeddings (Cohere): Gera vetores de incorporação textual usando o modelo Cohere embed-english-v3.0.
• Pinecone Insert: Armazena os textos vetorizados no banco de dados vetorial Pinecone.
  • Modo: insert
  • Nome do índice: product_description_generator

3. Recuperação e Geração

Recuperação Vetorial

• Pinecone Query: Recupera informações relevantes sobre produtos no banco de dados vetorial.
• Vector Tool: Encapsula a capacidade de recuperação como uma ferramenta do Agente RAG.

Geração com IA

• Chat Model (Anthropic): Utiliza o modelo Claude como modelo de linguagem.
• Window Memory: Mantém o contexto da conversa, permitindo interações multirrodadas.
• RAG Agent: Nó agente central.
  • Prompt do sistema: "You are an assistant for Product Description Generator"
  • Integra resultados da recuperação vetorial e memória da conversa.
  • Gera descrições de produtos conforme os requisitos.

Saída e Monitoramento

Processamento Bem-sucedido

• Append Sheet: Adiciona os resultados ao Google Sheets.
  • Documento: Product Description Generator
  • Planilha: Log
  • Campos registrados: Status

Tratamento de Erros

• Slack Alert: Envia notificações de erro para o canal #alerts.
  • Formato da mensagem: "Product Description Generator error: {mensagem de erro}"

Stack Tecnológica

Componentes de IA/ML

• Banco de Dados Vetorial: Pinecone
• Modelo de Embedding: Cohere embed-english-v3.0
• Modelo de Linguagem: Anthropic Claude
• Sistema de Memória: Window Buffer Memory

Serviços Integrados

• Webhook: Interface HTTP POST
• Google Sheets: Registro de dados
• Slack: Notificações de alerta

Fluxo de Dados

Requisição Webhook 
  ↓
Divisão do Texto em Blocos 
  ↓
Embedding Vetorial (Cohere)
  ↓
[Caminhos Paralelos]
  ├─→ Armazenamento Vetorial (Pinecone Insert)
  └─→ Recuperação Vetorial (Pinecone Query)
        ↓
      Vector Tool
        ↓
    RAG Agent (integra resultados da recuperação + memória da conversa + Claude)
        ↓
    [Desvio Condicional]
      ├─→ Sucesso: Registro no Google Sheets
      └─→ Falha: Alerta no Slack

Características Principais

1. Arquitetura RAG: Combina recuperação vetorial e IA generativa para garantir precisão nas descrições.
2. Manutenção de Contexto: A memória Window Memory permite interações conversacionais.
3. Processamento em Blocos: Segmentação inteligente de texto, capaz de lidar com entradas longas.
4. Rastreamento de Logs: O Google Sheets registra todos os estados de processamento.
5. Monitoramento de Erros: Alertas em tempo real via Slack para resposta rápida a problemas.

Casos de Uso

• Geração automática de descrições para produtos de e-commerce
• Otimização em massa de descrições de SKUs
• Criação de conteúdos multilíngues para produtos
• Reescrita de descrições com base em dados históricos

Requisitos de Configuração

Credenciais de API

• API Cohere (serviço de embeddings)
• API Pinecone (banco de dados vetorial)
• API Anthropic (modelo de linguagem)
• OAuth2 do Google Sheets (registro de dados)
• API Slack (notificações de alerta)

Configuração do Pinecone

• Nome do índice: product_description_generator
• O índice deve ser previamente criado e configurado com dimensões compatíveis com o modelo Cohere.