> ## Documentation Index > Fetch the complete documentation index at: https://crewai-feat-deploy-create-failure-span.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # Ferramenta RAG > O `RagTool` é uma ferramenta dinâmica de base de conhecimento para responder perguntas usando Geração Aumentada por Recuperação. # `RagTool` ## Descrição O `RagTool` foi desenvolvido para responder perguntas aproveitando o poder da Geração Aumentada por Recuperação (RAG) por meio do sistema RAG nativo da CrewAI. Ele fornece uma base de conhecimento dinâmica que pode ser consultada para recuperar informações relevantes de várias fontes de dados. Esta ferramenta é particularmente útil para aplicações que exigem acesso a uma ampla variedade de informações e precisam fornecer respostas contextualmente relevantes. ## Exemplo O exemplo a seguir demonstra como inicializar a ferramenta e usá-la com diferentes fontes de dados: ```python Code theme={null} from crewai_tools import RagTool # Create a RAG tool with default settings rag_tool = RagTool() # Add content from a file rag_tool.add(data_type="file", path="path/to/your/document.pdf") # Add content from a web page rag_tool.add(data_type="web_page", url="https://example.com") # Define an agent with the RagTool @agent def knowledge_expert(self) -> Agent: ''' This agent uses the RagTool to answer questions about the knowledge base. ''' return Agent( config=self.agents_config["knowledge_expert"], allow_delegation=False, tools=[rag_tool] ) ``` ## Fontes de Dados Suportadas O `RagTool` pode ser utilizado com uma grande variedade de fontes de dados, incluindo: * 📰 Arquivos PDF * 📊 Arquivos CSV * 📃 Arquivos JSON * 📝 Texto * 📁 Diretórios/Pastas * 🌐 Páginas web em HTML * 📽️ Canais do YouTube * 📺 Vídeos do YouTube * 📚 Sites de documentação * 📝 Arquivos MDX * 📄 Arquivos DOCX * 🧾 Arquivos XML * 📬 Gmail * 📝 Repositórios GitHub * 🐘 Bancos de dados PostgreSQL * 🐬 Bancos de dados MySQL * 🤖 Conversas no Slack * 💬 Mensagens do Discord * 🗨️ Fóruns Discourse * 📝 Newsletters do Substack * 🐝 Conteúdo do Beehiiv * 💾 Arquivos Dropbox * 🖼️ Imagens * ⚙️ Fontes de dados personalizadas ## Parâmetros O `RagTool` aceita os seguintes parâmetros: * **summarize**: Opcional. Indica se o conteúdo recuperado deve ser resumido. O padrão é `False`. * **adapter**: Opcional. Um adaptador personalizado para a base de conhecimento. Se não for fornecido, será utilizado o CrewAIRagAdapter. * **config**: Opcional. Configuração do sistema RAG subjacente da CrewAI. Aceita um TypedDict `RagToolConfig` com as chaves opcionais `embedding_model` (ProviderSpec) e `vectordb` (VectorDbConfig). Todos os valores de configuração fornecidos programaticamente têm precedência sobre as variáveis de ambiente. ## Adicionando Conteúdo Você pode adicionar conteúdo à base de conhecimento utilizando o método `add`: ```python Code theme={null} # Add a PDF file rag_tool.add(data_type="file", path="path/to/your/document.pdf") # Add a web page rag_tool.add(data_type="web_page", url="https://example.com") # Add a YouTube video rag_tool.add(data_type="youtube_video", url="https://www.youtube.com/watch?v=VIDEO_ID") # Add a directory of files rag_tool.add(data_type="directory", path="path/to/your/directory") ``` ## Exemplo de Integração com Agente Veja como integrar o `RagTool` com um agente do CrewAI: ```python Code theme={null} from crewai import Agent from crewai.project import agent from crewai_tools import RagTool # Initialize the tool and add content rag_tool = RagTool() rag_tool.add(data_type="web_page", url="https://docs.crewai.com") rag_tool.add(data_type="file", path="company_data.pdf") # Define an agent with the RagTool @agent def knowledge_expert(self) -> Agent: return Agent( config=self.agents_config["knowledge_expert"], allow_delegation=False, tools=[rag_tool] ) ``` ## Configuração Avançada É possível personalizar o comportamento do `RagTool` fornecendo um dicionário de configuração: ```python Code theme={null} from crewai_tools import RagTool from crewai_tools.tools.rag import RagToolConfig, VectorDbConfig, ProviderSpec # Create a RAG tool with custom configuration vectordb: VectorDbConfig = { "provider": "qdrant", "config": { "collection_name": "my-collection" } } embedding_model: ProviderSpec = { "provider": "openai", "config": { "model_name": "text-embedding-3-small" } } config: RagToolConfig = { "vectordb": vectordb, "embedding_model": embedding_model } rag_tool = RagTool(config=config, summarize=True) ``` ## Configuração do Modelo de Embedding O parâmetro `embedding_model` aceita um dicionário `crewai.rag.embeddings.types.ProviderSpec` com a seguinte estrutura: ```python theme={null} { "provider": "provider-name", # Required "config": { # Optional # Provider-specific configuration } } ``` ### Provedores Suportados ```python main.py theme={null} from crewai.rag.embeddings.providers.openai.types import OpenAIProviderSpec embedding_model: OpenAIProviderSpec = { "provider": "openai", "config": { "api_key": "your-api-key", "model_name": "text-embedding-ada-002", "dimensions": 1536, "organization_id": "your-org-id", "api_base": "https://api.openai.com/v1", "api_version": "v1", "default_headers": {"Custom-Header": "value"} } } ``` **Opções de Configuração:** * `api_key` (str): Chave da API OpenAI * `model_name` (str): Modelo a ser utilizado. Padrão: `text-embedding-ada-002`. Opções: `text-embedding-3-small`, `text-embedding-3-large`, `text-embedding-ada-002` * `dimensions` (int): Número de dimensões do embedding * `organization_id` (str): ID da organização OpenAI * `api_base` (str): URL base personalizada da API * `api_version` (str): Versão da API * `default_headers` (dict): Cabeçalhos personalizados para solicitações à API **Variáveis de Ambiente:** * `OPENAI_API_KEY` ou `EMBEDDINGS_OPENAI_API_KEY`: `api_key` * `OPENAI_ORGANIZATION_ID` ou `EMBEDDINGS_OPENAI_ORGANIZATION_ID`: `organization_id` * `OPENAI_MODEL_NAME` ou `EMBEDDINGS_OPENAI_MODEL_NAME`: `model_name` * `OPENAI_API_BASE` ou `EMBEDDINGS_OPENAI_API_BASE`: `api_base` * `OPENAI_API_VERSION` ou `EMBEDDINGS_OPENAI_API_VERSION`: `api_version` * `OPENAI_DIMENSIONS` ou `EMBEDDINGS_OPENAI_DIMENSIONS`: `dimensions` ```python main.py theme={null} from crewai.rag.embeddings.providers.cohere.types import CohereProviderSpec embedding_model: CohereProviderSpec = { "provider": "cohere", "config": { "api_key": "your-api-key", "model_name": "embed-english-v3.0" } } ``` **Opções de Configuração:** * `api_key` (str): Chave da API Cohere * `model_name` (str): Modelo a ser utilizado. Padrão: `large`. Opções: `embed-english-v3.0`, `embed-multilingual-v3.0`, `large`, `small` **Variáveis de Ambiente:** * `COHERE_API_KEY` ou `EMBEDDINGS_COHERE_API_KEY`: `api_key` * `EMBEDDINGS_COHERE_MODEL_NAME`: `model_name` ```python main.py theme={null} from crewai.rag.embeddings.providers.voyageai.types import VoyageAIProviderSpec embedding_model: VoyageAIProviderSpec = { "provider": "voyageai", "config": { "api_key": "your-api-key", "model": "voyage-3", "input_type": "document", "truncation": True, "output_dtype": "float32", "output_dimension": 1024, "max_retries": 3, "timeout": 60.0 } } ``` **Opções de Configuração:** * `api_key` (str): Chave da API VoyageAI * `model` (str): Modelo a ser utilizado. Padrão: `voyage-2`. Opções: `voyage-3`, `voyage-3-lite`, `voyage-code-3`, `voyage-large-2` * `input_type` (str): Tipo de entrada. Opções: `document` (para armazenamento), `query` (para pesquisa) * `truncation` (bool): Indica se entradas que excedem o comprimento máximo devem ser truncadas. Padrão: `True` * `output_dtype` (str): Tipo de dados da saída * `output_dimension` (int): Dimensão dos embeddings de saída * `max_retries` (int): Número máximo de tentativas. Padrão: `0` * `timeout` (float): Tempo limite da solicitação em segundos **Variáveis de Ambiente:** * `VOYAGEAI_API_KEY` ou `EMBEDDINGS_VOYAGEAI_API_KEY`: `api_key` * `VOYAGEAI_MODEL` ou `EMBEDDINGS_VOYAGEAI_MODEL`: `model` * `VOYAGEAI_INPUT_TYPE` ou `EMBEDDINGS_VOYAGEAI_INPUT_TYPE`: `input_type` * `VOYAGEAI_TRUNCATION` ou `EMBEDDINGS_VOYAGEAI_TRUNCATION`: `truncation` * `VOYAGEAI_OUTPUT_DTYPE` ou `EMBEDDINGS_VOYAGEAI_OUTPUT_DTYPE`: `output_dtype` * `VOYAGEAI_OUTPUT_DIMENSION` ou `EMBEDDINGS_VOYAGEAI_OUTPUT_DIMENSION`: `output_dimension` * `VOYAGEAI_MAX_RETRIES` ou `EMBEDDINGS_VOYAGEAI_MAX_RETRIES`: `max_retries` * `VOYAGEAI_TIMEOUT` ou `EMBEDDINGS_VOYAGEAI_TIMEOUT`: `timeout` ```python main.py theme={null} from crewai.rag.embeddings.providers.ollama.types import OllamaProviderSpec embedding_model: OllamaProviderSpec = { "provider": "ollama", "config": { "model_name": "llama2", "url": "http://localhost:11434/api/embeddings" } } ``` **Opções de Configuração:** * `model_name` (str): Nome do modelo Ollama (por exemplo, `llama2`, `mistral`, `nomic-embed-text`) * `url` (str): URL do endpoint da API Ollama. Padrão: `http://localhost:11434/api/embeddings` **Variáveis de Ambiente:** * `OLLAMA_MODEL` ou `EMBEDDINGS_OLLAMA_MODEL`: `model_name` * `OLLAMA_URL` ou `EMBEDDINGS_OLLAMA_URL`: `url` ```python main.py theme={null} from crewai.rag.embeddings.providers.aws.types import BedrockProviderSpec embedding_model: BedrockProviderSpec = { "provider": "amazon-bedrock", "config": { "model_name": "amazon.titan-embed-text-v2:0", "session": boto3_session } } ``` **Opções de Configuração:** * `model_name` (str): ID do modelo Bedrock. Padrão: `amazon.titan-embed-text-v1`. Opções: `amazon.titan-embed-text-v1`, `amazon.titan-embed-text-v2:0`, `cohere.embed-english-v3`, `cohere.embed-multilingual-v3` * `session` (Any): Objeto de sessão Boto3 para autenticação da AWS **Variáveis de Ambiente:** * `AWS_ACCESS_KEY_ID`: Chave de acesso da AWS * `AWS_SECRET_ACCESS_KEY`: Chave secreta da AWS * `AWS_REGION`: Região da AWS (por exemplo, `us-east-1`) ```python main.py theme={null} from crewai.rag.embeddings.providers.microsoft.types import AzureProviderSpec embedding_model: AzureProviderSpec = { "provider": "azure", "config": { "deployment_id": "your-deployment-id", "api_key": "your-api-key", "api_base": "https://your-resource.openai.azure.com", "api_version": "2024-02-01", "model_name": "text-embedding-ada-002", "api_type": "azure" } } ``` **Opções de Configuração:** * `deployment_id` (str): **Obrigatório** - ID de implantação do Azure OpenAI * `api_key` (str): Chave da API Azure OpenAI * `api_base` (str): Endpoint do recurso Azure OpenAI * `api_version` (str): Versão da API. Exemplo: `2024-02-01` * `model_name` (str): Nome do modelo. Padrão: `text-embedding-ada-002` * `api_type` (str): Tipo de API. Padrão: `azure` * `dimensions` (int): Dimensões da saída * `default_headers` (dict): Cabeçalhos personalizados **Variáveis de Ambiente:** * `AZURE_OPENAI_API_KEY` ou `EMBEDDINGS_AZURE_API_KEY`: `api_key` * `AZURE_OPENAI_ENDPOINT` ou `EMBEDDINGS_AZURE_API_BASE`: `api_base` * `EMBEDDINGS_AZURE_DEPLOYMENT_ID`: `deployment_id` * `EMBEDDINGS_AZURE_API_VERSION`: `api_version` * `EMBEDDINGS_AZURE_MODEL_NAME`: `model_name` * `EMBEDDINGS_AZURE_API_TYPE`: `api_type` * `EMBEDDINGS_AZURE_DIMENSIONS`: `dimensions` ```python main.py theme={null} from crewai.rag.embeddings.providers.google.types import GenerativeAiProviderSpec embedding_model: GenerativeAiProviderSpec = { "provider": "google-generativeai", "config": { "api_key": "your-api-key", "model_name": "gemini-embedding-001", "task_type": "RETRIEVAL_DOCUMENT" } } ``` **Opções de Configuração:** * `api_key` (str): Chave da API Google AI * `model_name` (str): Nome do modelo. Padrão: `gemini-embedding-001`. Opções: `gemini-embedding-001`, `text-embedding-005`, `text-multilingual-embedding-002` * `task_type` (str): Tipo de tarefa para embeddings. Padrão: `RETRIEVAL_DOCUMENT`. Opções: `RETRIEVAL_DOCUMENT`, `RETRIEVAL_QUERY` **Variáveis de Ambiente:** * `GOOGLE_API_KEY`, `GEMINI_API_KEY` ou `EMBEDDINGS_GOOGLE_API_KEY`: `api_key` * `EMBEDDINGS_GOOGLE_GENERATIVE_AI_MODEL_NAME`: `model_name` * `EMBEDDINGS_GOOGLE_GENERATIVE_AI_TASK_TYPE`: `task_type` ```python main.py theme={null} from crewai.rag.embeddings.providers.google.types import VertexAIProviderSpec embedding_model: VertexAIProviderSpec = { "provider": "google-vertex", "config": { "model_name": "text-embedding-004", "project_id": "your-project-id", "region": "us-central1", "api_key": "your-api-key" } } ``` **Opções de Configuração:** * `model_name` (str): Nome do modelo. Padrão: `textembedding-gecko`. Opções: `text-embedding-004`, `textembedding-gecko`, `textembedding-gecko-multilingual` * `project_id` (str): ID do projeto Google Cloud. Padrão: `cloud-large-language-models` * `region` (str): Região do Google Cloud. Padrão: `us-central1` * `api_key` (str): Chave de API para autenticação **Variáveis de Ambiente:** * `GOOGLE_APPLICATION_CREDENTIALS`: Caminho para o arquivo JSON da conta de serviço * `GOOGLE_CLOUD_PROJECT` ou `EMBEDDINGS_GOOGLE_VERTEX_PROJECT_ID`: `project_id` * `EMBEDDINGS_GOOGLE_VERTEX_MODEL_NAME`: `model_name` * `EMBEDDINGS_GOOGLE_VERTEX_REGION`: `region` * `EMBEDDINGS_GOOGLE_VERTEX_API_KEY`: `api_key` ```python main.py theme={null} from crewai.rag.embeddings.providers.jina.types import JinaProviderSpec embedding_model: JinaProviderSpec = { "provider": "jina", "config": { "api_key": "your-api-key", "model_name": "jina-embeddings-v3" } } ``` **Opções de Configuração:** * `api_key` (str): Chave da API Jina AI * `model_name` (str): Nome do modelo. Padrão: `jina-embeddings-v2-base-en`. Opções: `jina-embeddings-v3`, `jina-embeddings-v2-base-en`, `jina-embeddings-v2-small-en` **Variáveis de Ambiente:** * `JINA_API_KEY` ou `EMBEDDINGS_JINA_API_KEY`: `api_key` * `EMBEDDINGS_JINA_MODEL_NAME`: `model_name` ```python main.py theme={null} from crewai.rag.embeddings.providers.huggingface.types import HuggingFaceProviderSpec embedding_model: HuggingFaceProviderSpec = { "provider": "huggingface", "config": { "url": "https://api-inference.huggingface.co/models/sentence-transformers/all-MiniLM-L6-v2" } } ``` **Opções de Configuração:** * `url` (str): URL completa do endpoint da API de inferência do HuggingFace **Variáveis de Ambiente:** * `HUGGINGFACE_URL` ou `EMBEDDINGS_HUGGINGFACE_URL`: `url` ```python main.py theme={null} from crewai.rag.embeddings.providers.instructor.types import InstructorProviderSpec embedding_model: InstructorProviderSpec = { "provider": "instructor", "config": { "model_name": "hkunlp/instructor-xl", "device": "cuda", "instruction": "Represent the document" } } ``` **Opções de Configuração:** * `model_name` (str): ID do modelo HuggingFace. Padrão: `hkunlp/instructor-base`. Opções: `hkunlp/instructor-xl`, `hkunlp/instructor-large`, `hkunlp/instructor-base` * `device` (str): Dispositivo no qual executar. Padrão: `cpu`. Opções: `cpu`, `cuda`, `mps`, `xpu` * `instruction` (str): Prefixo de instrução para embeddings **Variáveis de Ambiente:** * `EMBEDDINGS_INSTRUCTOR_MODEL_NAME`: `model_name` * `EMBEDDINGS_INSTRUCTOR_DEVICE`: `device` * `EMBEDDINGS_INSTRUCTOR_INSTRUCTION`: `instruction` ```python main.py theme={null} from crewai.rag.embeddings.providers.sentence_transformer.types import SentenceTransformerProviderSpec embedding_model: SentenceTransformerProviderSpec = { "provider": "sentence-transformer", "config": { "model_name": "all-mpnet-base-v2", "device": "cuda", "normalize_embeddings": True } } ``` **Opções de Configuração:** * `model_name` (str): Nome do modelo Sentence Transformers. Padrão: `all-MiniLM-L6-v2`. Opções: `all-mpnet-base-v2`, `all-MiniLM-L6-v2`, `paraphrase-multilingual-MiniLM-L12-v2` * `device` (str): Dispositivo no qual executar. Padrão: `cpu`. Opções: `cpu`, `cuda`, `mps`, `xpu` * `normalize_embeddings` (bool): Indica se os embeddings devem ser normalizados. Padrão: `False` **Variáveis de Ambiente:** * `EMBEDDINGS_SENTENCE_TRANSFORMER_MODEL_NAME`: `model_name` * `EMBEDDINGS_SENTENCE_TRANSFORMER_DEVICE`: `device` * `EMBEDDINGS_SENTENCE_TRANSFORMER_NORMALIZE_EMBEDDINGS`: `normalize_embeddings` ```python main.py theme={null} from crewai.rag.embeddings.providers.onnx.types import ONNXProviderSpec embedding_model: ONNXProviderSpec = { "provider": "onnx", "config": { "preferred_providers": ["CUDAExecutionProvider", "CPUExecutionProvider"] } } ``` **Opções de Configuração:** * `preferred_providers` (list\[str]): Lista de provedores de execução ONNX em ordem de preferência **Variáveis de Ambiente:** * `EMBEDDINGS_ONNX_PREFERRED_PROVIDERS`: `preferred_providers` (lista separada por vírgulas) ```python main.py theme={null} from crewai.rag.embeddings.providers.openclip.types import OpenCLIPProviderSpec embedding_model: OpenCLIPProviderSpec = { "provider": "openclip", "config": { "model_name": "ViT-B-32", "checkpoint": "laion2b_s34b_b79k", "device": "cuda" } } ``` **Opções de Configuração:** * `model_name` (str): Arquitetura do modelo OpenCLIP. Padrão: `ViT-B-32`. Opções: `ViT-B-32`, `ViT-B-16`, `ViT-L-14` * `checkpoint` (str): Nome do checkpoint pré-treinado. Padrão: `laion2b_s34b_b79k`. Opções: `laion2b_s34b_b79k`, `laion400m_e32`, `openai` * `device` (str): Dispositivo no qual executar. Padrão: `cpu`. Opções: `cpu`, `cuda` **Variáveis de Ambiente:** * `EMBEDDINGS_OPENCLIP_MODEL_NAME`: `model_name` * `EMBEDDINGS_OPENCLIP_CHECKPOINT`: `checkpoint` * `EMBEDDINGS_OPENCLIP_DEVICE`: `device` ```python main.py theme={null} from crewai.rag.embeddings.providers.text2vec.types import Text2VecProviderSpec embedding_model: Text2VecProviderSpec = { "provider": "text2vec", "config": { "model_name": "shibing624/text2vec-base-multilingual" } } ``` **Opções de Configuração:** * `model_name` (str): Nome do modelo Text2Vec do HuggingFace. Padrão: `shibing624/text2vec-base-chinese`. Opções: `shibing624/text2vec-base-multilingual`, `shibing624/text2vec-base-chinese` **Variáveis de Ambiente:** * `EMBEDDINGS_TEXT2VEC_MODEL_NAME`: `model_name` ```python main.py theme={null} from crewai.rag.embeddings.providers.roboflow.types import RoboflowProviderSpec embedding_model: RoboflowProviderSpec = { "provider": "roboflow", "config": { "api_key": "your-api-key", "api_url": "https://infer.roboflow.com" } } ``` **Opções de Configuração:** * `api_key` (str): Chave da API Roboflow. Padrão: `""` (string vazia) * `api_url` (str): URL da API de inferência do Roboflow. Padrão: `https://infer.roboflow.com` **Variáveis de Ambiente:** * `ROBOFLOW_API_KEY` ou `EMBEDDINGS_ROBOFLOW_API_KEY`: `api_key` * `ROBOFLOW_API_URL` ou `EMBEDDINGS_ROBOFLOW_API_URL`: `api_url` ```python main.py theme={null} from crewai.rag.embeddings.providers.ibm.types import WatsonXProviderSpec embedding_model: WatsonXProviderSpec = { "provider": "watsonx", "config": { "model_id": "ibm/slate-125m-english-rtrvr", "url": "https://us-south.ml.cloud.ibm.com", "api_key": "your-api-key", "project_id": "your-project-id", "batch_size": 100, "concurrency_limit": 10, "persistent_connection": True } } ``` **Opções de Configuração:** * `model_id` (str): Identificador do modelo WatsonX * `url` (str): Endpoint da API WatsonX * `api_key` (str): Chave da API IBM Cloud * `project_id` (str): ID do projeto WatsonX * `space_id` (str): ID do espaço WatsonX (alternativa ao project\_id) * `batch_size` (int): Tamanho do lote para embeddings. Padrão: `100` * `concurrency_limit` (int): Número máximo de solicitações simultâneas. Padrão: `10` * `persistent_connection` (bool): Utilizar conexões persistentes. Padrão: `True` * Mais de 20 opções adicionais de autenticação e configuração **Variáveis de Ambiente:** * `WATSONX_API_KEY` ou `EMBEDDINGS_WATSONX_API_KEY`: `api_key` * `WATSONX_URL` ou `EMBEDDINGS_WATSONX_URL`: `url` * `WATSONX_PROJECT_ID` ou `EMBEDDINGS_WATSONX_PROJECT_ID`: `project_id` * `EMBEDDINGS_WATSONX_MODEL_ID`: `model_id` * `EMBEDDINGS_WATSONX_SPACE_ID`: `space_id` * `EMBEDDINGS_WATSONX_BATCH_SIZE`: `batch_size` * `EMBEDDINGS_WATSONX_CONCURRENCY_LIMIT`: `concurrency_limit` * `EMBEDDINGS_WATSONX_PERSISTENT_CONNECTION`: `persistent_connection` ```python main.py theme={null} from crewai.rag.core.base_embeddings_callable import EmbeddingFunction from crewai.rag.embeddings.providers.custom.types import CustomProviderSpec class MyEmbeddingFunction(EmbeddingFunction): def __call__(self, input): # Your custom embedding logic return embeddings embedding_model: CustomProviderSpec = { "provider": "custom", "config": { "embedding_callable": MyEmbeddingFunction } } ``` **Opções de Configuração:** * `embedding_callable` (type\[EmbeddingFunction]): Classe da função de embedding personalizada **Observação:** As funções de embedding personalizadas devem implementar o protocolo `EmbeddingFunction` definido em `crewai.rag.core.base_embeddings_callable`. O método `__call__` deve aceitar dados de entrada e retornar embeddings como uma lista de arrays numpy (ou um formato compatível que será normalizado). Os embeddings retornados são normalizados e validados automaticamente. ### Observações * Todos os campos de configuração são opcionais, a menos que estejam marcados como **Obrigatório** * Normalmente, as chaves de API podem ser fornecidas por meio de variáveis de ambiente em vez da configuração * Os valores padrão são exibidos quando aplicável ## Conclusão O `RagTool` oferece uma maneira poderosa de criar e consultar bases de conhecimento a partir de diversas fontes de dados. Ao explorar a Geração Aumentada por Recuperação, ele permite que agentes acessem e recuperem informações relevantes de forma eficiente, ampliando a capacidade de fornecer respostas precisas e contextualmente apropriadas.