Lambda RAG Lite

Uma biblioteca Python ultra-leve para RAG (Retrieval-Augmented Generation) criada especificamente para AWS Lambda, totalmente compatível com LangChain, que elimina dependências pesadas como NumPy, TensorFlow ou qualquer biblioteca de ML.

🎯 Criada para AWS Lambda: Esta biblioteca foi desenvolvida especificamente para resolver os problemas de tamanho de pacote e cold start em funções AWS Lambda, onde bibliotecas como NumPy podem aumentar significativamente o tempo de inicialização e o tamanho do deployment.

✨ Características

• 🐦 Feita para AWS Lambda: Projetada para minimizar cold starts e tamanho de deployment
• 🪶 Ultra-leve: ZERO dependências de ML (sem NumPy, scikit-learn, TensorFlow, PyTorch)
• ⚡ Cold Start Rápido: Inicialização em milissegundos vs. segundos com bibliotecas tradicionais
• 📦 Pacote Pequeno: ~50KB vs. ~100MB+ de bibliotecas tradicionais de ML
• 🔗 Compatível com LangChain: Implementa interfaces padrão (VectorStore, Embeddings)
• 🚀 Puro Python: Funciona em qualquer ambiente Python 3.10+ (Lambda, Container, local)
• 🎯 Fácil de usar: API simples e intuitiva
• ✅ Pronto para produção: Inclui testes, documentação e exemplos
• 🔍 Busca avançada: Suporte a MMR (Maximum Marginal Relevance) para diversificar resultados
• 📊 Flexível: Múltiplos tipos de embedding e loaders

🚀 Início Rápido

Por que Lambda RAG Lite?

Problema: Bibliotecas tradicionais de RAG (como LangChain com embeddings de ML) incluem dependências massivas:

• NumPy: ~15-20MB
• scikit-learn: ~30-40MB
• Transformers: ~500MB+
• Torch: ~800MB+

Resultado em AWS Lambda:

• ❌ Cold starts de 10-30 segundos
• ❌ Pacotes de deployment de 100MB-1GB+
• ❌ Limites de tamanho excedidos
• ❌ Custos elevados de armazenamento

Solução Lambda RAG Lite:

• ✅ Cold starts < 1 segundo
• ✅ Pacote de deployment < 1MB
• ✅ Zero dependências externas
• ✅ Custo mínimo de armazenamento

Instalação

pip install lambda-rag-lite

Exemplo Básico

from lambda_rag_lite import SimpleHashEmbedding, PurePythonVectorStore

# Criar embedding e vector store
embedder = SimpleHashEmbedding(dim=256)
vector_store = PurePythonVectorStore(embedder)

# Adicionar textos
texts = [
    "Python é uma linguagem de programação versátil.",
    "Machine learning é uma área da IA.",
    "RAG combina recuperação com geração de texto."
]

vector_store.add_texts(texts)

# Buscar documentos similares
results = vector_store.similarity_search("O que é Python?", k=2)

for doc in results:
    print(doc.page_content)

Carregando Documentos

from lambda_rag_lite import MarkdownLoader, PurePythonVectorStore, SimpleHashEmbedding

# Carregar documentos Markdown
loader = MarkdownLoader("docs/")
documents = loader.load()

# Criar vector store
embedder = SimpleHashEmbedding(dim=512)
vector_store = PurePythonVectorStore.from_documents(documents, embedder)

# Buscar com scores
results = vector_store.similarity_search_with_score("Como usar?", k=3)

for doc, score in results:
    print(f"Score: {score:.3f} - {doc.page_content[:100]}...")

📖 Documentação Completa

Embeddings

SimpleHashEmbedding

Converte texto em vetores usando hashing SHA-1. Ideal para casos onde você precisa de embeddings rápidos sem modelos de ML.

from lambda_rag_lite import SimpleHashEmbedding

embedder = SimpleHashEmbedding(dim=256)

# Embed uma consulta
query_vector = embedder.embed_query("exemplo de texto")

# Embed múltiplos documentos
doc_vectors = embedder.embed_documents([
    "primeiro documento",
    "segundo documento"
])

TFIDFHashEmbedding

Versão avançada que incorpora TF-IDF para melhor qualidade dos embeddings.

from lambda_rag_lite.embeddings import TFIDFHashEmbedding

embedder = TFIDFHashEmbedding(dim=512)

# Treina com documentos (coleta estatísticas)
embeddings = embedder.embed_documents(training_texts)

# Usa para consultas
query_embedding = embedder.embed_query("minha consulta")

Vector Store

PurePythonVectorStore

Implementação completa da interface LangChain VectorStore.

from lambda_rag_lite import PurePythonVectorStore, SimpleHashEmbedding

embedder = SimpleHashEmbedding()
store = PurePythonVectorStore(embedder)

# Métodos principais
store.add_texts(texts, metadatas)
store.similarity_search(query, k=4)
store.similarity_search_with_score(query, k=4)
store.max_marginal_relevance_search(query, k=4)
store.delete(ids)
store.get_by_ids(ids)

Loaders

MarkdownLoader

Carrega arquivos Markdown recursivamente.

from lambda_rag_lite import MarkdownLoader

# Carrega um arquivo
loader = MarkdownLoader("documento.md")
docs = loader.load()

# Carrega diretório inteiro
loader = MarkdownLoader("docs/", auto_detect_encoding=True)
docs = loader.load()

TextLoader

Loader genérico para diferentes tipos de arquivo de texto.

from lambda_rag_lite.loaders import TextLoader

loader = TextLoader(
    "src/",
    extensions=['.py', '.js', '.md', '.txt']
)
docs = loader.load()

DirectoryLoader

Loader automático que detecta tipos de arquivo.

from lambda_rag_lite.loaders import DirectoryLoader

loader = DirectoryLoader("projeto/", recursive=True)
docs = loader.load()  # Carrega automaticamente .md, .py, .txt, etc.

Utilitários

Processamento de Texto

from lambda_rag_lite.utils import chunk_text, clean_text, TextProcessor

# Dividir texto em chunks
chunks = chunk_text(
    text="texto longo aqui...",
    chunk_size=1000,
    chunk_overlap=200
)

# Limpar texto
clean = clean_text(text, remove_extra_whitespace=True)

# Processador avançado
processor = TextProcessor(
    chunk_size=500,
    chunk_overlap=100,
    clean_text=True,
    extract_keywords=True
)

processed = processor.process_text(text, metadata={"source": "doc1"})

� Deploy em AWS Lambda

Exemplo de Função Lambda

import json
from lambda_rag_lite import SimpleHashEmbedding, PurePythonVectorStore

# Inicialização global (fora do handler para reutilizar entre invocações)
embedder = SimpleHashEmbedding(dim=256)
vector_store = None

def lambda_handler(event, context):
    global vector_store

    # Inicializar vector store na primeira execução
    if vector_store is None:
        # Carregar seus documentos aqui
        documents = load_your_documents()  # Implementar conforme necessário
        vector_store = PurePythonVectorStore.from_texts(documents, embedder)

    # Processar consulta
    query = event.get('query', '')
    results = vector_store.similarity_search(query, k=3)

    return {
        'statusCode': 200,
        'body': json.dumps({
            'results': [{'content': doc.page_content, 'metadata': doc.metadata}
                       for doc in results]
        })
    }

def load_your_documents():
    # Exemplo: carregar de S3, DynamoDB, ou incluir no pacote
    return [
        "Documento 1: Conteúdo sobre Python e AWS Lambda",
        "Documento 2: Guia de RAG sem NumPy",
        "Documento 3: Performance em serverless"
    ]

Deployment com AWS SAM

# template.yaml
AWSTemplateFormatVersion: "2010-09-09"
Transform: AWS::Serverless-2016-10-31

Resources:
  RagFunction:
    Type: AWS::Serverless::Function
    Properties:
      CodeUri: src/
      Handler: app.lambda_handler
      Runtime: python3.11
      MemorySize: 512 # Muito menos que libs tradicionais!
      Timeout: 30
      Environment:
        Variables:
          EMBEDDING_DIM: 256

Deployment com Terraform

resource "aws_lambda_function" "rag_function" {
  filename         = "lambda-rag-lite.zip"
  function_name    = "rag-search"
  role            = aws_iam_role.lambda_role.arn
  handler         = "app.lambda_handler"
  runtime         = "python3.11"
  memory_size     = 512
  timeout         = 30

  # Pacote será < 1MB vs 100MB+ com bibliotecas tradicionais
}

�🔧 Integração com LangChain

Lambda RAG Lite implementa as interfaces padrão do LangChain, então você pode usar diretamente com outros componentes:

from langchain.chains import RetrievalQA
from lambda_rag_lite import PurePythonVectorStore, SimpleHashEmbedding

# Criar retriever
embedder = SimpleHashEmbedding(dim=256)
vector_store = PurePythonVectorStore.from_texts(texts, embedder)
retriever = vector_store.as_retriever(search_kwargs={"k": 3})

# Usar com LangChain Chain (exemplo conceitual)
# qa_chain = RetrievalQA.from_chain_type(
#     llm=your_llm,
#     retriever=retriever,
#     return_source_documents=True
# )

# result = qa_chain({"query": "Sua pergunta aqui"})

⚡ Performance

Lambda RAG Lite é otimizada especificamente para AWS Lambda:

Performance em Lambda

Performance Operacional

Casos de Uso Ideais para AWS Lambda

• ✅ APIs de busca semântica com baixa latência
• ✅ Chatbots serverless com RAG
• ✅ Processamento de documentos em lote
• ✅ Microserviços de recomendação
• ✅ Análise de texto sob demanda

🛠️ Desenvolvimento

Configuração do Ambiente

# Clonar repositório
git clone https://github.com/yourusername/lambda-rag-lite.git
cd lambda-rag-lite

# Instalar dependências de desenvolvimento
pip install -e ".[dev]"

# Executar testes
pytest

# Executar linting
black .
isort .
ruff check .

Executar Exemplos

# Exemplo básico
python examples/basic_usage.py

# Integração com LangChain
python examples/langchain_integration.py

# Exemplo interativo (requer pasta docs_markdown/)
python example.py

� Quando Usar Lambda RAG Lite

✅ Use Lambda RAG Lite quando

• Você está deployando em AWS Lambda ou outros ambientes serverless
• Precisa de cold starts rápidos (< 1 segundo)
• Tem limitações de tamanho de pacote (< 250MB no Lambda)
• Quer evitar custos de dependências pesadas
• Precisa de uma solução simples e eficiente para busca semântica
• Está construindo APIs de baixa latência
• Quer compatibilidade com LangChain sem overhead

❌ NÃO use Lambda RAG Lite quando

• Precisa da máxima qualidade de embeddings (use OpenAI, Cohere, etc.)
• Está deployando em servidores dedicados com recursos abundantes
• Precisa de algoritmos de ML avançados (clustering, dimensionality reduction)
• Tem datasets muito grandes (>100k documentos) que precisam de otimizações especiais
• Precisa de embeddings pré-treinados específicos do domínio

🔀 Alternativas e Quando Usá-las

�🤝 Contribuindo

Contribuições são bem-vindas! Por favor:

1. Fork o projeto
2. Crie uma branch para sua feature (git checkout -b feature/nova-feature)
3. Commit suas mudanças (git commit -am 'Adiciona nova feature')
4. Push para a branch (git push origin feature/nova-feature)
5. Abra um Pull Request

Executar Testes

# Todos os testes
pytest

# Com cobertura
pytest --cov=lambda_rag_lite --cov-report=html

# Testes específicos
pytest tests/test_embeddings.py -v

📋 Roadmap

• Mais algoritmos de embedding (BM25, LSH)
• Suporte a diferentes métricas de distância
• Otimizações de performance
• Integração com mais formatos de documento
• Suporte a índices persistentes
• Implementação de quantização para reduzir memória

✨ Por que Lambda RAG Lite Existe?

Esta biblioteca foi criada para resolver um problema específico: implementar RAG em AWS Lambda sem sofrer com cold starts lentos e pacotes gigantes.

O Problema Real

Quando tentamos usar bibliotecas tradicionais de RAG/ML em Lambda:

# ❌ Bibliotecas tradicionais
import numpy as np           # +15MB
import pandas as pd          # +20MB
import sklearn               # +30MB
from sentence_transformers import SentenceTransformer  # +500MB

Resultado: Pacote de 500MB+, cold start de 15-30 segundos, custos elevados.

Nossa Solução

# ✅ Lambda RAG Lite
from lambda_rag_lite import SimpleHashEmbedding, PurePythonVectorStore

Resultado: Pacote de <1MB, cold start de <1 segundo, custo mínimo.

Filosofia de Design

1. Zero dependências externas - Apenas Python puro
2. Compatibilidade total com LangChain - Drop-in replacement
3. Performance otimizada para Lambda - Minimizar cold start
4. Simplicidade - API fácil de usar
5. Qualidade suficiente - Boa para 80% dos casos de uso

💡 Dica: Se você precisa da máxima qualidade de embeddings, use OpenAI/Cohere APIs. Se você precisa de deployment rápido e barato em Lambda, use Lambda RAG Lite.

📜 Licença

Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.

🙏 Agradecimentos

• LangChain pela excelente arquitetura
• Comunidade Python pela inspiração
• Todos os contribuidores que ajudaram a melhorar este projeto

📞 Suporte

• 📧 Email: rafael.sales@gmail.com
• 🐛 Issues: GitHub Issues
• 💬 Discussões: GitHub Discussions

⭐ Se este projeto foi útil para você, considere dar uma estrela no GitHub!