@polymorphism-tech/morph-spec 3.0.0 → 3.1.0

package/{content → stacks/blazor-azure}/.morph/standards/vector-search-rag.md

@@ -1,536 +1,536 @@
-# Vector Search + RAG - EF Core 10 (.NET 10)
-
-> **Novidade .NET 10:** EF Core 10 suporta vector search nativo no Azure SQL e SQL Server para workloads de AI.
-
----
-
-## 🎯 O Que É Vector Search?
-
-**Vector search** permite buscar dados por **similaridade semântica** ao invés de correspondência exata de texto.
-
-### Conceito
-
-```
-Texto → Embedding (vetor de números) → Busca por similaridade
-```
-
-**Exemplo:**
-- Query: "Como resetar senha?"
-- Documento 1: "Tutorial de recuperação de senha" ← **Match semântico!**
-- Documento 2: "Alterar credenciais de acesso" ← **Match semântico!**
-- Documento 3: "Configurar email" ← Não match
-
-### Casos de Uso
-
-| Caso de Uso | Descrição |
-|-------------|-----------|
-| **RAG (Retrieval-Augmented Generation)** | Buscar documentos relevantes para enviar ao LLM |
-| **Busca semântica** | Encontrar conteúdo similar sem keywords exatas |
-| **Recomendações** | Sugerir produtos/artigos similares |
-| **Deduplicação** | Identificar conteúdo duplicado |
-
----
-
-## 📦 Setup
-
-### 1. Packages Necessários
-
-```xml
-<!-- .csproj -->
-<PackageReference Include="Microsoft.EntityFrameworkCore.SqlServer" Version="10.0.0" />
-<PackageReference Include="Microsoft.Extensions.AI.Embeddings" Version="1.0.0" />
-```
-
-### 2. Azure SQL / SQL Server Requerido
-
-**Requisito:** Azure SQL Database ou SQL Server 2022+
-
-**Nota:** Vector search não funciona em LocalDB.
-
----
-
-## 🗄️ Modelo de Dados com Vectors
-
-### Entidade com Embedding
-
-```csharp
-using Microsoft.EntityFrameworkCore;
-using System.Numerics.Tensors;
-
-public class Document
-{
-    public int Id { get; set; }
-    public string Title { get; set; } = null!;
-    public string Content { get; set; } = null!;
-    public DateTime CreatedAt { get; set; } = DateTime.UtcNow;
-
-    // Vector embedding (1536 dimensões para text-embedding-3-small)
-    public ReadOnlyMemory<float> Embedding { get; set; }
-}
-```
-
-### DbContext Configuração
-
-```csharp
-public class AppDbContext : DbContext
-{
-    public DbSet<Document> Documents { get; set; }
-
-    protected override void OnModelCreating(ModelBuilder modelBuilder)
-    {
-        modelBuilder.Entity<Document>(entity =>
-        {
-            entity.HasKey(d => d.Id);
-
-            // Configurar coluna de vector
-            entity.Property(d => d.Embedding)
-                .HasColumnType("vector(1536)") // 1536 = dimensões do embedding
-                .IsRequired();
-
-            // Índice de vector para performance
-            entity.HasIndex(d => d.Embedding)
-                .HasMethod("ivfflat") // ou "hnsw"
-                .HasOptions("lists = 100");
-        });
-    }
-}
-```
-
-### Migration
-
-```bash
-dotnet ef migrations add AddVectorSearch
-dotnet ef database update
-```
-
-**SQL Gerado:**
-```sql
-ALTER TABLE Documents ADD Embedding vector(1536) NOT NULL;
-CREATE INDEX IX_Documents_Embedding ON Documents USING ivfflat (Embedding) WITH (lists = 100);
-```
-
----
-
-## 🔢 Gerando Embeddings
-
-### Serviço de Embedding
-
-```csharp
-using Microsoft.Extensions.AI;
-
-public interface IEmbeddingService
-{
-    Task<ReadOnlyMemory<float>> GenerateEmbeddingAsync(string text, CancellationToken ct = default);
-}
-
-public class EmbeddingService : IEmbeddingService
-{
-    private readonly IEmbeddingGenerator<string, Embedding<float>> _embeddingGenerator;
-
-    public EmbeddingService(IEmbeddingGenerator<string, Embedding<float>> embeddingGenerator)
-    {
-        _embeddingGenerator = embeddingGenerator;
-    }
-
-    public async Task<ReadOnlyMemory<float>> GenerateEmbeddingAsync(
-        string text,
-        CancellationToken ct = default)
-    {
-        var embeddings = await _embeddingGenerator.GenerateAsync([text], cancellationToken: ct);
-        return embeddings[0].Vector;
-    }
-}
-```
-
-### Configuração no Program.cs
-
-```csharp
-using Microsoft.Extensions.AI;
-
-builder.Services.AddSingleton<IEmbeddingGenerator<string, Embedding<float>>>(sp =>
-{
-    var config = sp.GetRequiredService<IConfiguration>();
-
-    return new EmbeddingGenerator(
-        model: "text-embedding-3-small", // 1536 dimensões
-        credential: new ApiKeyCredential(config["AzureOpenAI:ApiKey"]!),
-        endpoint: new Uri(config["AzureOpenAI:Endpoint"]!)
-    );
-});
-
-builder.Services.AddScoped<IEmbeddingService, EmbeddingService>();
-```
-
----
-
-## 🔍 Vector Search com EF Core 10
-
-### Query de Similaridade
-
-```csharp
-using Microsoft.EntityFrameworkCore;
-
-public class DocumentSearchService
-{
-    private readonly AppDbContext _context;
-    private readonly IEmbeddingService _embeddingService;
-
-    public DocumentSearchService(
-        AppDbContext context,
-        IEmbeddingService embeddingService)
-    {
-        _context = context;
-        _embeddingService = embeddingService;
-    }
-
-    public async Task<List<DocumentSearchResult>> SearchAsync(
-        string query,
-        int limit = 5,
-        CancellationToken ct = default)
-    {
-        // 1. Gerar embedding da query
-        var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(query, ct);
-
-        // 2. Buscar documentos similares
-        var results = await _context.Documents
-            .Select(d => new DocumentSearchResult
-            {
-                Document = d,
-                // Calcular distância (menor = mais similar)
-                Distance = EF.Functions.VectorDistance(d.Embedding, queryEmbedding, DistanceFunction.Cosine)
-            })
-            .OrderBy(r => r.Distance)
-            .Take(limit)
-            .ToListAsync(ct);
-
-        return results;
-    }
-}
-
-public class DocumentSearchResult
-{
-    public Document Document { get; set; } = null!;
-    public double Distance { get; set; }
-    public double Similarity => 1 - Distance; // Converter distância em similaridade
-}
-```
-
-### Funções de Distância
-
-| Função | Descrição | Quando Usar |
-|--------|-----------|-------------|
-| `Cosine` | Distância cosseno (0-2) | **Recomendado** para texto |
-| `Euclidean` | Distância euclidiana | Dados numéricos |
-| `DotProduct` | Produto escalar | Vetores normalizados |
-
-```csharp
-EF.Functions.VectorDistance(vector1, vector2, DistanceFunction.Cosine)
-```
-
----
-
-## 🤖 RAG Pattern Completo
-
-### Implementação RAG com Agent Framework
-
-```csharp
-using Microsoft.Agents.AI;
-
-public interface IDocumentAssistantAgent
-{
-    Task<string> AskQuestionAsync(string question, CancellationToken ct = default);
-}
-
-public class DocumentAssistantAgent : IDocumentAssistantAgent
-{
-    private readonly IChatClient _chatClient;
-    private readonly DocumentSearchService _searchService;
-    private readonly ILogger<DocumentAssistantAgent> _logger;
-
-    public DocumentAssistantAgent(
-        IChatClient chatClient,
-        DocumentSearchService searchService,
-        ILogger<DocumentAssistantAgent> logger)
-    {
-        _chatClient = chatClient;
-        _searchService = searchService;
-        _logger = logger;
-    }
-
-    public async Task<string> AskQuestionAsync(string question, CancellationToken ct = default)
-    {
-        // 1. Retrieval: Buscar documentos relevantes
-        var relevantDocs = await _searchService.SearchAsync(question, limit: 3, ct);
-
-        _logger.LogInformation(
-            "Encontrados {Count} documentos relevantes para: {Question}",
-            relevantDocs.Count,
-            question
-        );
-
-        // 2. Construir contexto
-        var context = string.Join("\n\n", relevantDocs.Select(r =>
-            $"[Documento {r.Document.Id} - Similaridade: {r.Similarity:P0}]\n" +
-            $"Título: {r.Document.Title}\n" +
-            $"Conteúdo: {r.Document.Content}"
-        ));
-
-        // 3. Augmentation: Criar agente com contexto
-        var agent = _chatClient.CreateAgent(
-            instructions: """
-                Você é um assistente que responde perguntas baseado em documentos fornecidos.
-
-                Regras:
-                1. Use APENAS informações dos documentos fornecidos
-                2. Se a informação não estiver nos documentos, diga "Não encontrei informação sobre isso"
-                3. Cite o número do documento ao responder
-                4. Seja conciso e objetivo
-
-                Documentos disponíveis:
-                """ + context,
-            name: "DocumentAssistant"
-        );
-
-        // 4. Generation: Gerar resposta
-        var response = await agent.RunAsync(question, cancellationToken: ct);
-
-        return response.Content;
-    }
-}
-```
-
-### Uso no Blazor
-
-```razor
-@page "/ask"
-@inject IDocumentAssistantAgent Assistant
-
-<h3>Assistente de Documentos</h3>
-
-<EditForm Model="_input" OnValidSubmit="AskQuestion">
-    <InputText @bind-Value="_input.Question" placeholder="Faça uma pergunta..." />
-    <button type="submit" disabled="@_isLoading">Perguntar</button>
-</EditForm>
-
-@if (_isLoading)
-{
-    <p>Buscando resposta...</p>
-}
-else if (!string.IsNullOrEmpty(_answer))
-{
-    <div class="answer">
-        <strong>Resposta:</strong>
-        <p>@_answer</p>
-    </div>
-}
-
-@code {
-    private QuestionInput _input = new();
-    private string _answer = "";
-    private bool _isLoading;
-
-    private async Task AskQuestion()
-    {
-        _isLoading = true;
-        _answer = "";
-
-        try
-        {
-            _answer = await Assistant.AskQuestionAsync(_input.Question);
-        }
-        finally
-        {
-            _isLoading = false;
-        }
-    }
-
-    public class QuestionInput
-    {
-        public string Question { get; set; } = "";
-    }
-}
-```
-
----
-
-## 📥 Indexação de Documentos
-
-### Serviço de Indexação
-
-```csharp
-public class DocumentIndexingService
-{
-    private readonly AppDbContext _context;
-    private readonly IEmbeddingService _embeddingService;
-
-    public async Task IndexDocumentAsync(
-        string title,
-        string content,
-        CancellationToken ct = default)
-    {
-        // 1. Gerar embedding do conteúdo
-        var embedding = await _embeddingService.GenerateEmbeddingAsync(
-            $"{title}\n{content}", // Combinar título e conteúdo
-            ct
-        );
-
-        // 2. Criar documento
-        var document = new Document
-        {
-            Title = title,
-            Content = content,
-            Embedding = embedding,
-            CreatedAt = DateTime.UtcNow
-        };
-
-        // 3. Salvar no banco
-        _context.Documents.Add(document);
-        await _context.SaveChangesAsync(ct);
-    }
-
-    public async Task BulkIndexAsync(
-        List<(string Title, string Content)> documents,
-        CancellationToken ct = default)
-    {
-        foreach (var (title, content) in documents)
-        {
-            await IndexDocumentAsync(title, content, ct);
-        }
-    }
-}
-```
-
-### Job de Indexação com Hangfire
-
-```csharp
-public class DocumentIndexingJob
-{
-    private readonly DocumentIndexingService _indexingService;
-    private readonly IDocumentProvider _documentProvider;
-
-    public async Task IndexAllDocumentsAsync()
-    {
-        // Buscar documentos de fonte externa (API, arquivos, etc.)
-        var documents = await _documentProvider.GetAllDocumentsAsync();
-
-        await _indexingService.BulkIndexAsync(documents);
-    }
-}
-
-// Program.cs - Agendar job diário
-RecurringJob.AddOrUpdate<DocumentIndexingJob>(
-    "index-documents",
-    job => job.IndexAllDocumentsAsync(),
-    Cron.Daily
-);
-```
-
----
-
-## 📊 Índices de Performance
-
-### Tipos de Índices
-
-| Tipo | Descrição | Performance | Precisão |
-|------|-----------|-------------|----------|
-| **IVFFlat** | Inverted File + Flat compression | Boa | Alta |
-| **HNSW** | Hierarchical Navigable Small World | Excelente | Alta |
-
-### Configuração IVFFlat
-
-```csharp
-entity.HasIndex(d => d.Embedding)
-    .HasMethod("ivfflat")
-    .HasOptions("lists = 100"); // Ajustar conforme dataset
-```
-
-**Recomendação de `lists`:**
-- Pequeno dataset (<10k docs): `lists = 50`
-- Médio dataset (10k-100k): `lists = 100`
-- Grande dataset (>100k): `lists = 500+`
-
-### Configuração HNSW
-
-```csharp
-entity.HasIndex(d => d.Embedding)
-    .HasMethod("hnsw")
-    .HasOptions("m = 16, ef_construction = 64");
-```
-
-**Parâmetros:**
-- `m`: Número de conexões (padrão: 16)
-- `ef_construction`: Qualidade do índice (padrão: 64)
-
----
-
-## 💰 Custos
-
-### Embedding Generation
-
-| Modelo | Dimensões | Custo |
-|--------|-----------|-------|
-| text-embedding-3-small | 1536 | $0.02 / 1M tokens |
-| text-embedding-3-large | 3072 | $0.13 / 1M tokens |
-
-**Recomendação:** Use `text-embedding-3-small` (melhor custo-benefício).
-
-### Storage
-
-| Dimensões | Tamanho por Documento | 10k Docs | 100k Docs |
-|-----------|-----------------------|----------|-----------|
-| 1536 | ~6 KB | ~60 MB | ~600 MB |
-| 3072 | ~12 KB | ~120 MB | ~1.2 GB |
-
----
-
-## ✅ Checklist de Implementação
-
-- [ ] EF Core 10 instalado
-- [ ] Azure SQL ou SQL Server 2022+
-- [ ] Entidade com propriedade `ReadOnlyMemory<float>`
-- [ ] Índice de vector criado (`ivfflat` ou `hnsw`)
-- [ ] `IEmbeddingService` configurado
-- [ ] Serviço de search implementado
-- [ ] RAG pattern com Agent Framework
-- [ ] Job de indexação configurado
-- [ ] Testes de similaridade funcionando
-
----
-
-## 🐛 Troubleshooting
-
-### Erro: "vector type not supported"
-
-**Causa:** SQL Server não suporta vectors ou versão antiga.
-
-**Solução:** Use Azure SQL Database ou SQL Server 2022+.
-
-### Performance lenta em queries
-
-**Causa:** Índice não criado ou mal configurado.
-
-**Solução:**
-- Verifique se índice foi criado: `SELECT * FROM sys.indexes WHERE name LIKE '%Embedding%'`
-- Ajuste parâmetros `lists` (IVFFlat) ou `m` (HNSW)
-
-### Embeddings com dimensões erradas
-
-**Causa:** Modelo de embedding diferente do esperado.
-
-**Solução:**
-- `text-embedding-3-small` → 1536 dimensões
-- `text-embedding-3-large` → 3072 dimensões
-- Atualize `vector(N)` na migration
-
----
-
-## 📚 Referências
-
-- [EF Core 10 - Vector Search](https://learn.microsoft.com/ef/core/what-is-new/ef-core-10.0/whatsnew)
-- [Azure SQL Vector Search](https://learn.microsoft.com/azure/azure-sql/database/ai-artificial-intelligence-vector-search)
-- [OpenAI Embeddings](https://platform.openai.com/docs/guides/embeddings)
-- [RAG Architecture](https://learn.microsoft.com/azure/architecture/ai-ml/guide/rag/rag-solution-design-and-evaluation-guide)
-
----
-
-*MORPH-SPEC by Polymorphism Tech*
+# Vector Search + RAG - EF Core 10 (.NET 10)
+
+> **Novidade .NET 10:** EF Core 10 suporta vector search nativo no Azure SQL e SQL Server para workloads de AI.
+
+---
+
+## 🎯 O Que É Vector Search?
+
+**Vector search** permite buscar dados por **similaridade semântica** ao invés de correspondência exata de texto.
+
+### Conceito
+
+```
+Texto → Embedding (vetor de números) → Busca por similaridade
+```
+
+**Exemplo:**
+- Query: "Como resetar senha?"
+- Documento 1: "Tutorial de recuperação de senha" ← **Match semântico!**
+- Documento 2: "Alterar credenciais de acesso" ← **Match semântico!**
+- Documento 3: "Configurar email" ← Não match
+
+### Casos de Uso
+
+| Caso de Uso | Descrição |
+|-------------|-----------|
+| **RAG (Retrieval-Augmented Generation)** | Buscar documentos relevantes para enviar ao LLM |
+| **Busca semântica** | Encontrar conteúdo similar sem keywords exatas |
+| **Recomendações** | Sugerir produtos/artigos similares |
+| **Deduplicação** | Identificar conteúdo duplicado |
+
+---
+
+## 📦 Setup
+
+### 1. Packages Necessários
+
+```xml
+<!-- .csproj -->
+<PackageReference Include="Microsoft.EntityFrameworkCore.SqlServer" Version="10.0.0" />
+<PackageReference Include="Microsoft.Extensions.AI.Embeddings" Version="1.0.0" />
+```
+
+### 2. Azure SQL / SQL Server Requerido
+
+**Requisito:** Azure SQL Database ou SQL Server 2022+
+
+**Nota:** Vector search não funciona em LocalDB.
+
+---
+
+## 🗄️ Modelo de Dados com Vectors
+
+### Entidade com Embedding
+
+```csharp
+using Microsoft.EntityFrameworkCore;
+using System.Numerics.Tensors;
+
+public class Document
+{
+    public int Id { get; set; }
+    public string Title { get; set; } = null!;
+    public string Content { get; set; } = null!;
+    public DateTime CreatedAt { get; set; } = DateTime.UtcNow;
+
+    // Vector embedding (1536 dimensões para text-embedding-3-small)
+    public ReadOnlyMemory<float> Embedding { get; set; }
+}
+```
+
+### DbContext Configuração
+
+```csharp
+public class AppDbContext : DbContext
+{
+    public DbSet<Document> Documents { get; set; }
+
+    protected override void OnModelCreating(ModelBuilder modelBuilder)
+    {
+        modelBuilder.Entity<Document>(entity =>
+        {
+            entity.HasKey(d => d.Id);
+
+            // Configurar coluna de vector
+            entity.Property(d => d.Embedding)
+                .HasColumnType("vector(1536)") // 1536 = dimensões do embedding
+                .IsRequired();
+
+            // Índice de vector para performance
+            entity.HasIndex(d => d.Embedding)
+                .HasMethod("ivfflat") // ou "hnsw"
+                .HasOptions("lists = 100");
+        });
+    }
+}
+```
+
+### Migration
+
+```bash
+dotnet ef migrations add AddVectorSearch
+dotnet ef database update
+```
+
+**SQL Gerado:**
+```sql
+ALTER TABLE Documents ADD Embedding vector(1536) NOT NULL;
+CREATE INDEX IX_Documents_Embedding ON Documents USING ivfflat (Embedding) WITH (lists = 100);
+```
+
+---
+
+## 🔢 Gerando Embeddings
+
+### Serviço de Embedding
+
+```csharp
+using Microsoft.Extensions.AI;
+
+public interface IEmbeddingService
+{
+    Task<ReadOnlyMemory<float>> GenerateEmbeddingAsync(string text, CancellationToken ct = default);
+}
+
+public class EmbeddingService : IEmbeddingService
+{
+    private readonly IEmbeddingGenerator<string, Embedding<float>> _embeddingGenerator;
+
+    public EmbeddingService(IEmbeddingGenerator<string, Embedding<float>> embeddingGenerator)
+    {
+        _embeddingGenerator = embeddingGenerator;
+    }
+
+    public async Task<ReadOnlyMemory<float>> GenerateEmbeddingAsync(
+        string text,
+        CancellationToken ct = default)
+    {
+        var embeddings = await _embeddingGenerator.GenerateAsync([text], cancellationToken: ct);
+        return embeddings[0].Vector;
+    }
+}
+```
+
+### Configuração no Program.cs
+
+```csharp
+using Microsoft.Extensions.AI;
+
+builder.Services.AddSingleton<IEmbeddingGenerator<string, Embedding<float>>>(sp =>
+{
+    var config = sp.GetRequiredService<IConfiguration>();
+
+    return new EmbeddingGenerator(
+        model: "text-embedding-3-small", // 1536 dimensões
+        credential: new ApiKeyCredential(config["AzureOpenAI:ApiKey"]!),
+        endpoint: new Uri(config["AzureOpenAI:Endpoint"]!)
+    );
+});
+
+builder.Services.AddScoped<IEmbeddingService, EmbeddingService>();
+```
+
+---
+
+## 🔍 Vector Search com EF Core 10
+
+### Query de Similaridade
+
+```csharp
+using Microsoft.EntityFrameworkCore;
+
+public class DocumentSearchService
+{
+    private readonly AppDbContext _context;
+    private readonly IEmbeddingService _embeddingService;
+
+    public DocumentSearchService(
+        AppDbContext context,
+        IEmbeddingService embeddingService)
+    {
+        _context = context;
+        _embeddingService = embeddingService;
+    }
+
+    public async Task<List<DocumentSearchResult>> SearchAsync(
+        string query,
+        int limit = 5,
+        CancellationToken ct = default)
+    {
+        // 1. Gerar embedding da query
+        var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(query, ct);
+
+        // 2. Buscar documentos similares
+        var results = await _context.Documents
+            .Select(d => new DocumentSearchResult
+            {
+                Document = d,
+                // Calcular distância (menor = mais similar)
+                Distance = EF.Functions.VectorDistance(d.Embedding, queryEmbedding, DistanceFunction.Cosine)
+            })
+            .OrderBy(r => r.Distance)
+            .Take(limit)
+            .ToListAsync(ct);
+
+        return results;
+    }
+}
+
+public class DocumentSearchResult
+{
+    public Document Document { get; set; } = null!;
+    public double Distance { get; set; }
+    public double Similarity => 1 - Distance; // Converter distância em similaridade
+}
+```
+
+### Funções de Distância
+
+| Função | Descrição | Quando Usar |
+|--------|-----------|-------------|
+| `Cosine` | Distância cosseno (0-2) | **Recomendado** para texto |
+| `Euclidean` | Distância euclidiana | Dados numéricos |
+| `DotProduct` | Produto escalar | Vetores normalizados |
+
+```csharp
+EF.Functions.VectorDistance(vector1, vector2, DistanceFunction.Cosine)
+```
+
+---
+
+## 🤖 RAG Pattern Completo
+
+### Implementação RAG com Agent Framework
+
+```csharp
+using Microsoft.Agents.AI;
+
+public interface IDocumentAssistantAgent
+{
+    Task<string> AskQuestionAsync(string question, CancellationToken ct = default);
+}
+
+public class DocumentAssistantAgent : IDocumentAssistantAgent
+{
+    private readonly IChatClient _chatClient;
+    private readonly DocumentSearchService _searchService;
+    private readonly ILogger<DocumentAssistantAgent> _logger;
+
+    public DocumentAssistantAgent(
+        IChatClient chatClient,
+        DocumentSearchService searchService,
+        ILogger<DocumentAssistantAgent> logger)
+    {
+        _chatClient = chatClient;
+        _searchService = searchService;
+        _logger = logger;
+    }
+
+    public async Task<string> AskQuestionAsync(string question, CancellationToken ct = default)
+    {
+        // 1. Retrieval: Buscar documentos relevantes
+        var relevantDocs = await _searchService.SearchAsync(question, limit: 3, ct);
+
+        _logger.LogInformation(
+            "Encontrados {Count} documentos relevantes para: {Question}",
+            relevantDocs.Count,
+            question
+        );
+
+        // 2. Construir contexto
+        var context = string.Join("\n\n", relevantDocs.Select(r =>
+            $"[Documento {r.Document.Id} - Similaridade: {r.Similarity:P0}]\n" +
+            $"Título: {r.Document.Title}\n" +
+            $"Conteúdo: {r.Document.Content}"
+        ));
+
+        // 3. Augmentation: Criar agente com contexto
+        var agent = _chatClient.CreateAgent(
+            instructions: """
+                Você é um assistente que responde perguntas baseado em documentos fornecidos.
+
+                Regras:
+                1. Use APENAS informações dos documentos fornecidos
+                2. Se a informação não estiver nos documentos, diga "Não encontrei informação sobre isso"
+                3. Cite o número do documento ao responder
+                4. Seja conciso e objetivo
+
+                Documentos disponíveis:
+                """ + context,
+            name: "DocumentAssistant"
+        );
+
+        // 4. Generation: Gerar resposta
+        var response = await agent.RunAsync(question, cancellationToken: ct);
+
+        return response.Content;
+    }
+}
+```
+
+### Uso no Blazor
+
+```razor
+@page "/ask"
+@inject IDocumentAssistantAgent Assistant
+
+<h3>Assistente de Documentos</h3>
+
+<EditForm Model="_input" OnValidSubmit="AskQuestion">
+    <InputText @bind-Value="_input.Question" placeholder="Faça uma pergunta..." />
+    <button type="submit" disabled="@_isLoading">Perguntar</button>
+</EditForm>
+
+@if (_isLoading)
+{
+    <p>Buscando resposta...</p>
+}
+else if (!string.IsNullOrEmpty(_answer))
+{
+    <div class="answer">
+        <strong>Resposta:</strong>
+        <p>@_answer</p>
+    </div>
+}
+
+@code {
+    private QuestionInput _input = new();
+    private string _answer = "";
+    private bool _isLoading;
+
+    private async Task AskQuestion()
+    {
+        _isLoading = true;
+        _answer = "";
+
+        try
+        {
+            _answer = await Assistant.AskQuestionAsync(_input.Question);
+        }
+        finally
+        {
+            _isLoading = false;
+        }
+    }
+
+    public class QuestionInput
+    {
+        public string Question { get; set; } = "";
+    }
+}
+```
+
+---
+
+## 📥 Indexação de Documentos
+
+### Serviço de Indexação
+
+```csharp
+public class DocumentIndexingService
+{
+    private readonly AppDbContext _context;
+    private readonly IEmbeddingService _embeddingService;
+
+    public async Task IndexDocumentAsync(
+        string title,
+        string content,
+        CancellationToken ct = default)
+    {
+        // 1. Gerar embedding do conteúdo
+        var embedding = await _embeddingService.GenerateEmbeddingAsync(
+            $"{title}\n{content}", // Combinar título e conteúdo
+            ct
+        );
+
+        // 2. Criar documento
+        var document = new Document
+        {
+            Title = title,
+            Content = content,
+            Embedding = embedding,
+            CreatedAt = DateTime.UtcNow
+        };
+
+        // 3. Salvar no banco
+        _context.Documents.Add(document);
+        await _context.SaveChangesAsync(ct);
+    }
+
+    public async Task BulkIndexAsync(
+        List<(string Title, string Content)> documents,
+        CancellationToken ct = default)
+    {
+        foreach (var (title, content) in documents)
+        {
+            await IndexDocumentAsync(title, content, ct);
+        }
+    }
+}
+```
+
+### Job de Indexação com Hangfire
+
+```csharp
+public class DocumentIndexingJob
+{
+    private readonly DocumentIndexingService _indexingService;
+    private readonly IDocumentProvider _documentProvider;
+
+    public async Task IndexAllDocumentsAsync()
+    {
+        // Buscar documentos de fonte externa (API, arquivos, etc.)
+        var documents = await _documentProvider.GetAllDocumentsAsync();
+
+        await _indexingService.BulkIndexAsync(documents);
+    }
+}
+
+// Program.cs - Agendar job diário
+RecurringJob.AddOrUpdate<DocumentIndexingJob>(
+    "index-documents",
+    job => job.IndexAllDocumentsAsync(),
+    Cron.Daily
+);
+```
+
+---
+
+## 📊 Índices de Performance
+
+### Tipos de Índices
+
+| Tipo | Descrição | Performance | Precisão |
+|------|-----------|-------------|----------|
+| **IVFFlat** | Inverted File + Flat compression | Boa | Alta |
+| **HNSW** | Hierarchical Navigable Small World | Excelente | Alta |
+
+### Configuração IVFFlat
+
+```csharp
+entity.HasIndex(d => d.Embedding)
+    .HasMethod("ivfflat")
+    .HasOptions("lists = 100"); // Ajustar conforme dataset
+```
+
+**Recomendação de `lists`:**
+- Pequeno dataset (<10k docs): `lists = 50`
+- Médio dataset (10k-100k): `lists = 100`
+- Grande dataset (>100k): `lists = 500+`
+
+### Configuração HNSW
+
+```csharp
+entity.HasIndex(d => d.Embedding)
+    .HasMethod("hnsw")
+    .HasOptions("m = 16, ef_construction = 64");
+```
+
+**Parâmetros:**
+- `m`: Número de conexões (padrão: 16)
+- `ef_construction`: Qualidade do índice (padrão: 64)
+
+---
+
+## 💰 Custos
+
+### Embedding Generation
+
+| Modelo | Dimensões | Custo |
+|--------|-----------|-------|
+| text-embedding-3-small | 1536 | $0.02 / 1M tokens |
+| text-embedding-3-large | 3072 | $0.13 / 1M tokens |
+
+**Recomendação:** Use `text-embedding-3-small` (melhor custo-benefício).
+
+### Storage
+
+| Dimensões | Tamanho por Documento | 10k Docs | 100k Docs |
+|-----------|-----------------------|----------|-----------|
+| 1536 | ~6 KB | ~60 MB | ~600 MB |
+| 3072 | ~12 KB | ~120 MB | ~1.2 GB |
+
+---
+
+## ✅ Checklist de Implementação
+
+- [ ] EF Core 10 instalado
+- [ ] Azure SQL ou SQL Server 2022+
+- [ ] Entidade com propriedade `ReadOnlyMemory<float>`
+- [ ] Índice de vector criado (`ivfflat` ou `hnsw`)
+- [ ] `IEmbeddingService` configurado
+- [ ] Serviço de search implementado
+- [ ] RAG pattern com Agent Framework
+- [ ] Job de indexação configurado
+- [ ] Testes de similaridade funcionando
+
+---
+
+## 🐛 Troubleshooting
+
+### Erro: "vector type not supported"
+
+**Causa:** SQL Server não suporta vectors ou versão antiga.
+
+**Solução:** Use Azure SQL Database ou SQL Server 2022+.
+
+### Performance lenta em queries
+
+**Causa:** Índice não criado ou mal configurado.
+
+**Solução:**
+- Verifique se índice foi criado: `SELECT * FROM sys.indexes WHERE name LIKE '%Embedding%'`
+- Ajuste parâmetros `lists` (IVFFlat) ou `m` (HNSW)
+
+### Embeddings com dimensões erradas
+
+**Causa:** Modelo de embedding diferente do esperado.
+
+**Solução:**
+- `text-embedding-3-small` → 1536 dimensões
+- `text-embedding-3-large` → 3072 dimensões
+- Atualize `vector(N)` na migration
+
+---
+
+## 📚 Referências
+
+- [EF Core 10 - Vector Search](https://learn.microsoft.com/ef/core/what-is-new/ef-core-10.0/whatsnew)
+- [Azure SQL Vector Search](https://learn.microsoft.com/azure/azure-sql/database/ai-artificial-intelligence-vector-search)
+- [OpenAI Embeddings](https://platform.openai.com/docs/guides/embeddings)
+- [RAG Architecture](https://learn.microsoft.com/azure/architecture/ai-ml/guide/rag/rag-solution-design-and-evaluation-guide)
+
+---
+
+*MORPH-SPEC by Polymorphism Tech*