LangGraph-Chatchat funciona como um plugin de gerenciamento de memória para a estrutura de conversa do ChatChat, utilizando o modelo de banco de dados em gráfico do LangGraph para armazenar e recuperar o contexto da conversa. Durante a execução, entradas dos usuários e respostas do agente são convertidas em nós semânticos com relacionamentos, formando um grafo de conhecimento abrangente. Essa estrutura permite consultas eficientes de interações passadas com base em métricas de similaridade, palavras-chave ou filtros personalizados. O plugin suporta configuração de persistência de memória, mesclagem de nós e políticas TTL, garantindo retenção de contexto relevante sem excesso. Com serializadores e adaptadores integrados, o LangGraph-Chatchat se integra perfeitamente às implantações do ChatChat, oferecendo uma solução robusta para construir agentes de IA capazes de manter memória de longo prazo, melhorar a relevância das respostas e lidar com fluxos complexos de diálogo.

O Sistema RAG Potencializado por LLM é uma estrutura voltada para desenvolvedores para construir pipelines de geração aumentada por recuperação (RAG). Oferece módulos para incorporação de coleções de documentos, indexação via FAISS, Pinecone ou Weaviate, e recuperação de contexto relevante em tempo de execução. O sistema usa wrappers LangChain para orquestrar chamadas de LLM, suporta templates de prompts, respostas em streaming e adaptadores de múltiplos bancos de vetores. Simplifica a implantação de RAG de ponta a ponta para bases de conhecimento, permitindo personalização em cada etapa — desde a configuração do modelo de incorporação até o design do prompt e pós-processamento de resultados.

RAGApp foi projetado para simplificar toda a cadeia de processamento RAG, fornecendo integrações prontas com bancos de dados vetoriais populares (FAISS, Pinecone, Chroma, Qdrant) e grandes modelos de linguagem (OpenAI, Anthropic, Hugging Face). Inclui ferramentas de ingestão de dados para converter documentos em embeddings, mecanismos de recuperação conscientes do contexto para seleção precisa de conhecimentos e um UI de chat embutido ou servidor API REST para implantação. Os desenvolvedores podem facilmente estender ou substituir qualquer componente—adicionar preprocessadores personalizados, integrar APIs externas como ferramentas ou trocar provedores de LLM—aproveitando ferramentas Docker e CLI para prototipagem rápida e implantação em produção.