Aprenda RAG Busca Exata no Banco de Dados!

E aí, tudo bem? Como é que você tá? Hoje eu quero falar contigo sobre uma automação nova que nós fizemos no módulo novo no nosso curso.

que é módulo completo sobre RAG, sobre Retrieval Augmented Generation, que é basicamente buscar dados de arquivo no banco de dados vetorial e responder baseado nisso. Só que a pegada aqui é pouquinho diferente. Dentro desse curso, dentro da AI Builders, a gente ensina passo a passo como funciona RAG, como faz embedding.

Se você não sabe nada, você sai de lá sabendo tudo o que você precisa saber sobre RAG, embedding, vetores e superbase vector, todas essas palavras loucas. você sai sabendo dentro desse curso. Mas aqui eu quero mostrar pra você qual é a automação que nós montamos lá dentro.

Porque eu achei bem interessante e já surgiu alguns assuntos parecidos com esse aqui que é lá dentro da nossa comunidade, inclusive da comunidade aberta. E eu quero mostrar pra você aqui como ela funciona, beleza? Então vamos Então, vamos lá.

Aqui no Reg, nossa automação tem duas partes. Então, essa parte aqui em cima busca conhecimento e a parte aqui embaixo gera conhecimento. Se você não sabe o que é isso, eu fiz diagrama aqui do Reg, e basicamente o Reg é dividido em duas etapas.

Uma que acontece com menos frequência e uma que acontece com mais frequência, que é a busca por conhecimento. Na geração de conhecimento, nós vamos basicamente pegar documentos, pegar arquivos, pode ser PDF, Word, CSV, Excel. Nós separamos eles em pedaços e cada pedaço recebe vetor.

Esse vetor é gerado por modelo de embedding que você quiser. No nosso caso, nós estamos usando o modelo da OpenAI mesmo, mas você pode usar o modelo que você quiser. E esses resultados aqui são salvos no nosso VectorStore, beleza?

E aqui basicamente nós pegamos arquivos que estão no nosso Google Drve. Eu já mostrei aqui nesse canal, depois dá uma olhada aqui, eu já mostrei no canal como funciona essa automação aqui, mas basicamente nós pegamos os dados desse arquivo, que é esse arquivo aqui, olha só, o nome da pizza, ingredientes e o ID dela, e jogamos, baixamos lá no nosso Google Drve. Então, ele mostra aqui para mim, os dados desse arquivo.

Nome da pizza, ingredientes e ID. Margarita, blá blá blá, 1. Peperoni, blá blá blá, 2.

E assim vai. E qual que é a ideia disso aqui? A ideia é que o teu cliente consiga fazer uma busca, por exemplo, eu quero qualquer pizza que tenha cheddar.

Como é que você vai fazer uma busca dessa no teu banco de dados? É difícil, né? Você vai ter que fazer like, ou você vai ter que.

. . Ou, por exemplo, o teu usuário vai lá e busca.

. . Em vez de buscar cheddar, ele digita cheddar com X, pode ser que aconteça.

Ou melhor, cheddar com D só. Ou queijo cheddar. .

. Sei lá, alguma coisa assim. O teu banco de dados não vai achar essa informação.

Porque o banco de dados normal, do menu, por exemplo, não tem essas informações com Shader escrito errado. Ele só sabe que é Shader com dois Ds. Então, se você for procurar o que o cliente mandou lá, eu quero queijo, pizzas com queijo Shader com X, o teu bot não vai achar nada, apesar de existir pizza com Shader no cardápio.

E a ideia aqui é justamente, nós temos bot maior, até deixa eu abrir aqui mais diagrama, que é o caso de uso dele. O nome do bot é 8Minute. Lá no curso você vai entender o porquê.

Mas, basicamente, o usuário manda uma mensagem. Nosso Assistant Master, o principal, o cérebro, vai receber essa mensagem. E ele vai buscar, vai fazer uma busca semântica no nosso agente Reg.

E o nosso agente Reg é esse aqui. Ele vai receber uma mensagem e vai fazer uma busca no nosso VectorStore. E o nosso agente Reg não vai retornar uma frase.

Ele vai retornar JSON. E esse JSON vai ter sabe o quê? vai ter o nome da pizza, os ingredientes e o ID dela, tá?

Por que isso? Porque quando a gente receber esse JSON lá no nosso Assistant Master, nós vamos fazer uma busca exata no banco de dados. Então, lá no banco de dados, nós temos pelo ID da pizza, por exemplo, a pizza com ID 1, que é Margherita, ela tem o preço tal, ela está na promoção XYZ e ela faz parte do combo mágico da pizzaria do Rafael, alguma coisa assim.

Então, no nosso banco de dados, nós temos mais informações sobre essas pizzas, com preço, com link de pagamento, com o que você quiser, e mandamos para o nosso cliente. Então, basicamente, nós temos aqui uma etapa de uma busca semântica, que é a busca por semelhança, que é o que é o reg, e ele retorna JSON para nós. Eu vou mostrar para você como que isso funciona.

Para que isso funcione de uma forma boa, porém, nós precisamos transformar esses dados. E o que é transformar? O Reg funciona muito bem com frases, com frases com contexto.

Você até pode subir CSV da forma que eu subi aqui, que eu tenho aqui, mas você vai ver que ele vai acertar e errar talvez em quantidades parecidas. E no meu caso, eu não quero que ele erre. Eu quero que ele acerte boa parte das vezes, pelo menos 99% das vezes.

E para isso, nós precisamos transformar essas informações. Então, o que eu faço aqui? Eu peço para o próprio GPT, para o próprio OpenAI, transformar essa linha aqui numa frase.

E aí, essa frase é que eu vou salvar no nosso banco de dados vetorial, que no meu caso eu estou usando o SupaBase. Que frase é essa? Olha só, eu abri aqui o meu nó da OpenAI e eu estou mandando aqui para ele o seguinte no prompt.

você vai receber o texto de arquivo de cardápio de pizzaria. Seu trabalho é separar em frases. É a única coisa que ele vai fazer.

Não é assistant, ele só vai receber os dados e vai responder em frases. E eu dou exemplo para ele. Margherita, tomate, mussarela e manjericão, 1.

E o output que eu quero que ele tenha baseado no que ele vai receber é a pizza margherita tem como ingredientes tomate, mussarela e manjericão e o id dessa pizza é 1. Então, se você for ver a saída dele aqui, A primeira, a pizza margherita tem como ingredientes tomate, mussarela e manjericão e o ID dessa pizza é 1. A pizza peperoni tem como ingredientes mussarela e peperoni e o ID dessa pizza é 2.

Se você comparar aqui, você vai ver que cada deles está criando uma frase específica. Aí depois eu pego essas informações, basicamente aqui eu só pego essas informações e eu separo elas, cada uma delas num objeto diferente. Então eu pego todas essas frases e eu separo.

O que eu separo? Eu tô pegando a mensagem que o chat GPT manda pra nós, que o GPT-4OMINI manda pra nós. Eu tô basicamente separando essa mensagem nesse character barra N, porque barra N é uma linha nova, olha só.

Aqui ele faz a primeira pizza e pula uma linha. Aqui ele faz a segunda pizza e pula uma linha. Então eu tô separando esse array gigante aqui, na verdade essa string gigante, eu tô separando ela em vários conteúdos pequenininhos, tá?

Você vê aqui que são 16 itens que nós temos aqui, tá? Depois disso, eu criei o nó split out e a única coisa que ele faz é pegar a lista de mensagens e separa cada uma num item separado. Então nós temos aqui item, segundo item, terceiro item, quarto item e assim vai.

Você pode ver aqui que são 16 itens que vai até a última pizza que é a pizza de lombo com ingredientes mussarela e lombo e o ID da pizza é 16. E agora vem a mágica. Dentro do nosso VectorStore, nós rodamos ele e ele vai salvar uma linha no nosso VectorStore para cada uma dessas pizzas.

Então, nós vamos separar em frases lá dentro do nosso VectorStore e cada linha, cada registro no nosso VectorStore vai ter uma pizza com o nome dela, com os ingredientes dela e com ID dela. Olha só, como é que ficou aqui no nosso banco de dados. Então, eu estou aqui no meu SupaBase, é uma tabela vetorial, e ela tem aqui o conteúdo.

Então, você pode ver aqui, a pizza margherita tem como ingredientes tomate, mozzarela e manjericão, e o ID dessa pizza é 1. Na metadata, eu não coloquei nada além do ID do arquivo, caso substitua o arquivo, e aqui do lado nós temos o embedding. E esse embedding é o valor do vetor daquela frase completa.

Então, literalmente dessa frase aqui, nós criamos esse vetor, beleza? E nós temos 16 linhas aqui, para cada tipo de pizza que nós temos no nosso cardápio. André, eu posso colocar tudo junto no mesmo embedding?

Pode? Não tem nenhum problema. Porém, eu até explico isso melhor lá no curso, você tem que levar em consideração vários fatores, o contexto, o tamanho do prompt, se o bot pode se perder na hora de gerar JSON, então tem que fazer testes, tá?

E lá eu explico por que que nós chegamos nessa solução aqui, beleza? Outra, eu tô testando com linhas pequenas aqui. Agora imagine se você vai testar com imóveis, por exemplo.

Voltando no exemplo do imóveis. Por exemplo, a casa tal está na rua XYZ, número tal, no bairro Jardim das Begonhas. Sei lá, alguma coisa assim.

E tem o ID blá blá blá. você vai ter milhares e milhares de imóveis. Geralmente imobiliárias, principalmente as que vão usar IA, tem uma porrada de imóveis.

Então você vai ter várias linhas e vai ficar mais fácil para o teu bot procurar casas na rua XYZ buscando por frase. Então você pode incrementar a tua frase de uma forma que vai deixá-la completa para uma busca bem legal. Por exemplo, o imóvel com o ID XYZ é uma casa ou sobrado ou apartamento no bairro Jardim das Begonhas e tem três quartos, sei lá, alguma coisa assim.

E o ID é XYZ. Você vai salvar essa frase aqui e quando o teu cliente perguntar, eu quero casas no Jardim das Begonias, ele vai fazer uma busca aqui no teu banco de dados vetorial, ele vai achar esse imóvel e vai falar, beleza, tem esse imóvel aqui que é uma casa, não é apartamento, não é sobrado, é uma casa e o ID é esse aqui. É isso que nós queremos que ele faça, você vai ver isso na prática.

Então ele fez o nosso VectorStore aqui com esses 16 itens. Isso conclui a primeira etapa que é a geração de conhecimento. Então, nós geramos o conhecimento e ele está no nosso VectorStore.

Agora vem a parte de buscar por esse conhecimento. E essa busca por conhecimento é a parte que acontece mais vezes. Toda vez que o nosso cliente manda uma mensagem, ele precisa passar por esse processo aqui.

Então, esse processo aqui acontece sempre nosso cliente manda uma mensagem. Então, nessa segunda etapa, que é a busca por conhecimento, funciona de uma forma relativamente simples. O nosso cliente manda uma pergunta.

Essa pergunta sofre o mesmo processo de embedding. Então, o mesmo que aconteceu aqui de fazer o nosso embedding, olha só, usando o modelo TextEmbedding3Small, nós vamos ter que fazer a mesma coisa com a pergunta do nosso cliente. Então, aqui nós vamos receber a pergunta do nosso cliente, ela vai passar pelo embedding e nós vamos buscar por semelhança no nosso banco de dados.

Ele vai buscar, por exemplo, a pizza que tem mussarela. Ele vai buscar no nosso banco de dados e ele vai retornar o top N. Esse N aqui é você que decide.

Você quer retornar os cinco registros que mais se parecem com a tua pergunta, ou os 10, ou os 15, ou os 20, ou o 1, você que sabe. Ele vai buscar no nosso VectorStore. O nosso VectorStore vai buscar essas informações e vai retornar para nós o top 4 aqui, por exemplo, dos pedaços de linhas.

semelhantes, tá? Passou tempo, logo depois, ele vai mandar esses chunks semelhantes para modelo de linguagem. No nosso caso aqui é OpenAI, nós estamos usando o GPT-4OMini.

Ele vai receber essas informações aqui, vai colocar no nosso modelo e o nosso modelo, baseado nessas informações, vai gerar uma resposta para o nosso cliente. Então, é basicamente assim que funciona o REG, tá? A geração de conhecimento e a busca por conhecimento.

Vamos dar uma olhada no N8n como que é a busca por esse conhecimento. Então, vamos lá. Como que funciona a busca por conhecimento aqui no N8n?

Esse workflow aqui, ele é engatilhado por outro. Eu não vou mostrar o outro para não estender muito esse vídeo, mas basicamente ele vai chamar e ele chama com isso aqui, uma query. E o nosso assistant, o nosso master assistant, que é esse aqui, ele faz uma chamada para esse aqui com essa query, com essa pergunta.

E essa pergunta é a pergunta que o nosso cliente mandou para nós. O cara é uma pizza de frango. ou pizzas que têm mussarela, ou pizza com cheddar, alguma coisa assim.

O nosso RegAI agent, e sim, pela primeira vez eu estou usando agente do LangChain aqui, e eu fiz no curso esse agente, ele vai receber essa informação, e nós estamos usando aqui modelo GPT-4OMini. E ele vai entrar aqui no nosso VectorStore, ele vai fazer a busca, ele vai retornar os dados que nós queremos. A diferença dele é que eu pedi para ele usar esse Structured Output Parser.

nesse structure. output. parser, eu estou dando exemplo do JSON que eu quero que ele dê como retorno.

Então, ao invés de ele responder numa frase, a pizza de marguerita tem esses ingredientes e esse id, eu quero que ele responda num JSON para que esse JSON volte para o meu Assistant Master e ele consiga chamar no banco de dados esse id aqui. Então, olha só, eu fiz JSON que é uma lista, Quando abre colchetes assim é uma lista, porque pode ter mais de uma pizza. Por exemplo, se eu pedir pizzas com mussarela.

São várias pizzas, na verdade todas aqui no meu cardápio tem mussarela. Então ele vai retornar as pizzas, tá? E cada deles vai retornar objeto com o nome da pizza, os ingredientes e o id.

Não precisaria do nome nem dos ingredientes, precisaria só do id. Mas eu coloquei aqui para fins didáticos, beleza? Agora olha só como é que ele funciona.

Eu vou testar esse Workflow. Você vai ver que ele vai chamar o RegAI de Agent, ele vai chamar o VectorStore e ele criou o nosso OutputParser. Ele criou a nossa Structure do OutputParser.

E qual que foi a saída dele? Olha só. Pizza, deixa eu abrir no JSON aqui que vai ficar mais fácil no esquema.

Output é uma lista, que foi o que eu pedi. O output 0 tem o pizza name como pizza frango com catupiry, os ingredientes dela e o ID da pizza. Se eu entrar aqui no meu banco de dados, no meu CSV que eu mandei para ele, está aqui, ó, frango com catupiry, os ingredientes e o ID 6, tá?

Então, ele retornou esse JSON. Esse JSON vai ser recebido lá pelo nosso Master Assistant, ele vai quebrar esse JSON aqui, pegar o ID e buscar pelo ID no nosso banco de dados. No nosso banco de dados aqui, inclusive, você pode ver que tem mais informações, né?

Nós temos aqui o ID da pizza, o nome, os ingredientes e o preço. Aqui eu só coloquei como exemplo, tá? Porque daí ele pode buscar o preço da pizza no banco de dados e não no reg.

aí fica mais fácil de gerenciar. Ao invés da pessoa ter que mudar lá no CSV o preço toda vez, se ela mudar no sistema, mudou o preço no sistema, ou mudou uma promoção ou alguma coisa assim, ela só cadastra aqui e coloca o preço e pronto. E vai ter que atualizar o menu lá também, o nome da pizza e tudo mais.

Mas quer mudar o preço, tipo, marguerita hoje é 50, amanhã vai ser 59, ou tem uma promoção que é 35, ele vai aqui e vai poder alterar no sistema. E aí o nosso bot vai buscar o ID que sair daqui e vai buscar por esse ID a pizza do nosso banco de dados. E lá ele vai ter mais detalhes.

E de novo, pizza tem poucos parâmetros para a gente pensar. Mas se você for pensar em imóveis, por exemplo, ou carros, ou qualquer coisa que você queira vender, o teu banco de dados relacional, que é esse aqui, que é o banco de dados que não é o vetorial, ele pode ter uma porrada de informações. Ele pode ter muita coisa mesmo.

e o teu rag pode ser mais enxuto, ele vai ter só o id para você fazer uma busca por semelhança. Então olha só, vou fazer mais teste aqui no nosso trigger, eu vou tirar, eu vou pedir pra ele uma lista e vamos que vai acontecer. Então, olha só, eu pedi pizzas com mussarela, eu vou testar o nosso workflow e tem mais de uma pizza com mussarela, tá?

A primeira, a segunda, a terceira, todas elas tem mussarela aqui, se eu não me engano. Só que eu estou pedindo para ele retornar só quatro, aqui no nosso caso, tá? Você pode pedir mais.

Aqui, por exemplo, no VectorStoreTool, eu estou pedindo para ele trazer só quatro. mas ele pode trazer mais, tá? Se você quiser.

Aqui no Reggae Agent, olha só o que ele trouxe. Output uma lista, a primeira pizza é Caprese com ID 12, a segunda pizza Pesto com ID 14, e a terceira pizza é Quatro Queijos com ID 3, e a quarta pizza Peperoni ID 2. Se você for bater aqui, você vai ver que tá batendo certinho os dados de ID.

E agora é só o nosso assistente receber essas informações e ir buscar no banco de dados. Eu até não ia mostrar, mas eu vou mostrar para você aqui. Isso que você está vendo na sua tela é também uma automação que nós ensinamos dentro do Curtz e foi baseado nela que nós fizemos o nosso Assistant Master.

Eu não vou entrar em detalhes nela aqui, você só precisa entender que ela usa os Assistents da OpenAI e que ela chama como uma função aqui o nosso GetMenu. Então, essa função aqui chama o nosso outro Workflow, que é esse aqui, e esse Workflow responde para o nosso Master Assistant, que é esse cara aqui, com os dados das pizzas, tá? Eu vou explicar para você como é que ele funciona aqui.

Antes de tudo, eu vou mudar aqui o nosso dados de entrada. Eu vou colocar aqui uma informação pedindo. .

. Vamos pegar uma pizza que exista, né? Por exemplo, pizza de frango, de novo.

Vamos rodar esse aqui. eu vou salvar o nosso workflow e eu vou testar ele agora. Então, o que vai acontecer?

Ele vai fazer algumas validações aqui, que são padrões das nossas automações, mas ele vai chamar uma automação, vai chamar a nossa outra automação, que é essa aqui, o WaitMenuReg. Você vai ver que ele rodou aqui, olha só. Deixa eu ver o resultado.

Ele rodou aqui, ele recebeu pizza de frango, ele retornou para nós, frango com catupiry, com esses ingredientes, com esse ID. E aqui no nosso Master Assistant, ele recebeu essas informações. Olha só, ele recebeu essas informações e agora eu pego essas pizzas que vêm aqui na lista, porque pode ser mais de uma, eu separo elas e eu busco no meu banco de dados, lá no SupaBase, mais detalhes dessas pizzas baseado no ID que vem lá do nosso reg.

E aqui você pode ver que ele retornou o preço dela, R$69. E agora aqui, vamos ver se ele vai terminar. Às vezes demora pouquinho para terminar, porque o OpenAI às vezes dá umas falhas.

Mas ao terminar, ele vai mostrar pra nós quais são as pizzas que tem frango com cantopiri nos dados de saída. Então olha só, consegui rodar aqui e ele trouxe aqui pra nós, olha só. Temos a seguinte opção de pizza de frango.

Pizza de frango roto peri, com esses ingredientes e com esse preço. Lembre que o preço não existe no nosso reg. Lá no nosso reg, aqui nos documentos, não tem o preço.

Deixa eu mostrar pra você pra confirmar, né. Esse preço veio da nossa busca do banco de dados, tá? E o que acontece aqui, cadê a frango com outro peri?

Olha só. Eu virei dessa pizza 6, mas não tem o preço. Então, o preço veio do nosso banco de dados relacional, que é a nossa tabela pizza aqui.

Então, se eu procurar pizza aqui, você vai ver que tem na pizza 6 o preço de 69 reais. em 5 segundos, mais rápido. Franco Tupperi, R$69, beleza?

Agora eu vou fazer mais teste que nós vamos retornar várias pizzas, só para confirmar para você que está funcionando. Nós vamos entrar aqui e eu vou pedir para ele pizzas com mussarela, beleza? Então nós vamos alterar, eu vou salvar aqui e eu vou testar esse workflow.

Vamos torcer para o API não travar, porque hoje deu umas travadinhas aí. Então, está rodando. Ele vai chamar novamente a nossa função aqui em cima.

Dessa vez, o nosso workflow vai retornar várias pizzas. Você vai ver que ele vai fazer loop aqui com várias pizzas. Olha só, com quatro pizzas.

Por quê? Porque veio quatro pizzas de lá, e lembra que só veio quatro porque eu tô limitando a quatro, mas você pode aumentar o limite se você quiser, tá? Ele buscou os detalhes de cada uma dessas pizzas e ele vai retornar aqui pra nós dado de saída os dados dele, olha só.

Aqui estão as opções de pizza que contém a mussarela, a primeira, a segunda, a terceira e a quarta, beleza? Com o preço que veio lá da nossa base de dados relacional. Agora eu vou pedir uma pizza que não existe na nossa base.

Olha só, não existe a pizza baiana, por exemplo, olha só, não tem aqui. Então eu vou pedir, eu nem sei se essa pizza existe no Brasil todo, mas aqui existe e é muito boa. Vou pedir a pizza baiana.

Essa pizza não existe e a nossa automação precisa tratar isso de uma certa forma. Então olha só o que acontece, no nosso workflow aqui, no nosso reg, eu vou entrar nas executions aqui de novo, eu vou esperar ele atualizar, porque eu quero mostrar pra você o que ele retornou, olha só. Essa última aqui, ele buscou a pizza baiana, pizza baiana aqui do lado, mas ele não achou nada.

O output dele veio array vazio. Eu pedi aqui no prompt para ele retornar, se a resposta for não sei ou algo parecido, envia json vazio com id igual a 0. Ele não está colocando id igual a 0, mas ele está mandando json vazio para nós.

Então o output aqui é vazio. Então quando ele não acha, ele vai mandar lá para o nosso master Output vazio. Aqui no nosso assistente, eu estou checando se o que vem do nosso Workflow é vazio.

Olha só, seu Output é vazio, isEmpty. Se tem dados, ele vai fazer todo o nosso processo aqui. Mas se ele não tem dados, a única coisa que eu falo aqui para ele é para ele responder para a Function Calling da OpenAI que a pizza não foi encontrada.

Ele passa por todo o processo e ele avisa a OpenAI que não tem nenhuma pizza baiana. Aí no dados de saída vem, desculpe, mas não encontrei nenhuma pizza com o nome pizza baiana no nosso menu. Gostaria de procurar por outro tipo de pizza ou talvez por ingredientes específicos?

Então, a nossa automação funciona quando vem uma pizza, quando vem várias pizzas e quando não tem nenhuma pizza. Isso aqui é super importante para você que quer usar a busca semântica, que é uma busca por semelhança, no reg. Mas você também precisa da segurança de ter informações precisas em buscas exatas.

Então é perfeito para você que está fazendo sistema que vai falar no WhatsApp com o cliente e o cliente não sabe escrever ou escrever errado. Você precisa buscar essas informações não tomando cuidados de uma forma ou de outra, tá? imobiliária, venda de carro, às vezes até consultório, menu de restaurante, pizzaria, qualquer restaurante que você for pensar, hamburgueria, qualquer aplicação que você precisa de uma busca semântica e uma busca exata, que é o nosso caso aqui, essa automação aqui é perfeita para você, tá?

Antes que me perguntem, a gente não está abrindo essa automação para vocês baixarem, tá? Ela é exclusiva do curso mesmo. Então, se você quiser saber mais e aprender mais sobre o Reg, até deixa eu abrir aqui a comunidade para te mostrar.

Porque lá dentro desse curso novo, nós temos várias horas de aula para te mostrar como funciona a Reg, toda a teoria. Eu mostro para você toda a geração de embeddings, geração de informações, de conhecimento. Deixa eu abrir o curso aqui.

Olha, só são quatro horas e meia, mais duas horas. São quase sete horas de aula. para você saber tudo.

RAG na superfície, como você vai entender RAG, entendendo vetores de similaridade, qual estratégias de chunking, gravando no SupaBase, busca de conhecimento. E aqui nós construímos esse bot aqui do zero para você entender como é que funciona. ETL, que é pegar os dados e transformar esses dados e carregar esses dados num certo formato.

Enfim, super completo aqui para você que quer criar automações usando o Reg. E essa e várias outras novidades dentro da comunidade, tá? Eu vou deixar o link aqui embaixo caso você queira fazer parte da comunidade, te esperamos lá.

Mas é isso, espero que isso tenha te ajudado. Se você não for entrar na comunidade também, tudo bem. Eu espero que esse vídeo, pelo menos, tenha te ajudado a pensar de uma forma diferente.

de entender como você pode usar o reg de outras formas, tá? E comenta aí embaixo o que você achou, o que você tá pensando em aplicar isso aqui e bora trocar ideia, beleza? Falou, abraço.