Construindo um assistente de diagnóstico com pgvector e LLMs
Raphael Max Brettas Vieira
EDB
Aprenda a transformar o PostgreSQL em um assistente inteligente de diagnóstico usando pgvector e LLMs open source, sem ferramentas proprietárias.
Diagnosticar problemas em ambientes PostgreSQL exige experiência, e esse conhecimento está muitas vezes disperso em documentações e anotações que ninguém consulta no momento crítico. E se fosse possível conversar com esse conhecimento como se fosse um especialista?
Nesta palestra, apresento um framework prático para construir um assistente de diagnóstico PostgreSQL 100% open source, combinando três camadas: uma base de conhecimento técnico estruturado, busca vetorial com pgvector e um LLM local executado via Ollama, tudo isso sem dependência de APIs externas, serviços em nuvem ou ferramentas proprietárias.
O próprio PostgreSQL resolve o problema e faz parte da solução. O pgvector transforma o banco em um motor de busca semântica, eliminando a necessidade de infraestrutura adicional. Qualquer DBA, engenheiro ou desenvolvedor pode replicar esse ambiente com hardware modesto.
A palestra cobre os seguintes tópicos:
- O problema: conhecimento técnico fragmentado e inacessível no momento do incidente
- Como LLMs raciocinam sobre context
- RAG (Retrieval-Augmented Generation) aplicado ao PostgreSQL: conceito e funcionamento
- Primeira camada: construção da base de conhecimento com fontes, chunking e metadados relevantes
- Segunda camada: pgvector como knowledge base: instalação, modelo de embedding open source (nomic-embed-text via Ollama) e queries de similaridade
- Terceira camada: LLM local via Ollama: escolha de modelos, prompt engineering para contexto técnico e como evitar alucinações
- O workflow completo em ação: exemplos práticos com problemas reais de PostgreSQL
- Considerações práticas: hardware mínimo, privacidade de dados, curadoria da base e limitações
Construindo um assistente de diagnóstico com pgvector e LLMs
Raphael Max Brettas Vieira
EDB
Aprenda a transformar o PostgreSQL em um assistente inteligente de diagnóstico usando pgvector e LLMs open source, sem ferramentas proprietárias.
Diagnosticar problemas em ambientes PostgreSQL exige experiência, e esse conhecimento está muitas vezes disperso em documentações e anotações que ninguém consulta no momento crítico. E se fosse possível conversar com esse conhecimento como se fosse um especialista?
Nesta palestra, apresento um framework prático para construir um assistente de diagnóstico PostgreSQL 100% open source, combinando três camadas: uma base de conhecimento técnico estruturado, busca vetorial com pgvector e um LLM local executado via Ollama, tudo isso sem dependência de APIs externas, serviços em nuvem ou ferramentas proprietárias.
O próprio PostgreSQL resolve o problema e faz parte da solução. O pgvector transforma o banco em um motor de busca semântica, eliminando a necessidade de infraestrutura adicional. Qualquer DBA, engenheiro ou desenvolvedor pode replicar esse ambiente com hardware modesto.
A palestra cobre os seguintes tópicos:
- O problema: conhecimento técnico fragmentado e inacessível no momento do incidente
- Como LLMs raciocinam sobre context
- RAG (Retrieval-Augmented Generation) aplicado ao PostgreSQL: conceito e funcionamento
- Primeira camada: construção da base de conhecimento com fontes, chunking e metadados relevantes
- Segunda camada: pgvector como knowledge base: instalação, modelo de embedding open source (nomic-embed-text via Ollama) e queries de similaridade
- Terceira camada: LLM local via Ollama: escolha de modelos, prompt engineering para contexto técnico e como evitar alucinações
- O workflow completo em ação: exemplos práticos com problemas reais de PostgreSQL
- Considerações práticas: hardware mínimo, privacidade de dados, curadoria da base e limitações