Desenvolvedor Construiu um RAG Local em Qdrant e LlamaIndex para Busca em Leis de Licitação

Um desenvolvedor que publica no Habr sob o pseudônimo Vladimir descreveu como montou um sistema RAG local baseado em LlamaIndex e banco de dados vetorial Qdrant para evitar cavar manualmente nas Regulamentações de Compras da Empresa e nas leis federais relevantes FZ-44 e FZ-223.

Por Que um RAG Local Era Necessário

O autor explica que a tarefa surgiu de uma necessidade prática: procurar a redação e as condições necessárias manualmente em documentos regulatórios volumosos sobre compras — as Regulamentações de Compras da Empresa, bem como as Leis Federais FZ-44 (sobre o sistema de contratos na esfera de compras estatais) e FZ-223 (sobre compras por certos tipos de entidades legais) — é demorado e inconveniente. Um sistema RAG (geração aumentada por recuperação, geração de respostas com base em fragmentos encontrados em documentos) permite fazer perguntas em linguagem natural e obter uma resposta construída em texto real de documentos regulatórios, não em suposições do modelo.

O requisito fundamental era que o sistema precisava permanecer completamente em um circuito local, sem acessar APIs externas na nuvem. Para trabalhar com documentação de compras, onde os termos comerciais internos frequentemente aparecem, este é um ponto fundamental.

Do Que o Sistema É Construído

• LlamaIndex — um framework para indexação de documentos e construção de consultas sobre eles, aplicado pelo autor pela primeira vez
• Qdrant — um banco de dados vetorial de código aberto para armazenar embeddings de documentos
• API personalizada sobre a conexão LlamaIndex e Qdrant
• Interface web em Gradio para interação conveniente com o sistema
• Fontes de dados — Regulamentações de Compras da Empresa, FZ-44 e FZ-223

O autor discute em detalhes o processo de montagem — desde a indexação de documentos até a escrita da API e interface — oferecendo essencialmente aos leitores do Habr um modelo pronto para tarefas similares com bancos de dados legais e regulatórios locais.

Por Que Esta Combinação Específica Foi Escolhida

Qdrant se destaca entre bancos de dados vetoriais no fato de ser distribuído com código-fonte aberto e pode ser implantado completamente localmente — sem anexação obrigatória a um serviço em nuvem. Isso torna a conexão com LlamaIndex uma escolha conveniente precisamente para cenários onde dados não devem sair da infraestrutura da empresa: documentos legais e de compras, regulamentações internas, termos comerciais com contraparte. LlamaIndex nesta configuração é responsável por dividir documentos em fragmentos, construir um índice e formular consultas ao modelo de linguagem com base em fragmentos encontrados, enquanto Gradio oferece aos oficiais de compras e advogados uma interface web simples que não requer trabalhar com código ou console diretamente.

O Que Vem a Seguir Com o Projeto

O autor apresenta o artigo como uma revisão de um caso específico e reproduzível, não um produto comercial acabado: ele mostra em detalhes os passos para montar o sistema para que os leitores do Habr possam reproduzir a solução para seus próprios documentos internos — sejam outros atos regulatórios, regulamentações ou um banco de dados de contratos. Tal formato de artigo é típico para a comunidade de engenharia Habr, onde o valor do material não está em um serviço pronto para usar, mas no caminho transparentemente mostrado da declaração do problema ao protótipo funcional.

O Que Isso Significa

Este caso é um exemplo prático de como RAG em uma combinação de ferramentas abertas como LlamaIndex e Qdrant desce do nível de demos de pesquisa para tarefas corporativas rotineiras: pesquisar em regulamentações internas e legislação especializada sem transmitir dados sensíveis a serviços em nuvem externos. Para empresas trabalhando com compras estatais sob FZ-44 e FZ-223, onde um erro na interpretação de uma norma é custoso, um assistente RAG local é uma forma de acelerar o trabalho de advogados e oficiais de compras, deixando a decisão final para humanos.