--- title: Pesquisa MDX RAG description: O `MDXSearchTool` foi projetado para pesquisar arquivos MDX e retornar os resultados mais relevantes. icon: markdown --- # `MDXSearchTool` O MDXSearchTool está em desenvolvimento contínuo. Recursos podem ser adicionados ou removidos, e a funcionalidade pode mudar de forma imprevisível à medida que refinamos a ferramenta. ## Descrição A Ferramenta de Pesquisa MDX é um componente do pacote `crewai_tools` focado em facilitar a extração avançada de dados do markdown. Ela permite que usuários pesquisem e extraiam informações relevantes de arquivos MD utilizando buscas baseadas em consulta. Esta ferramenta é indispensável para análise de dados, gestão de informações e tarefas de pesquisa, agilizando o processo de encontrar informações específicas em grandes coleções de documentos. ## Instalação Antes de utilizar a Ferramenta de Pesquisa MDX, certifique-se de que o pacote `crewai_tools` está instalado. Caso não esteja, você pode instalá-lo com o comando abaixo: ```shell pip install 'crewai[tools]' ``` ## Exemplo de Uso Para utilizar a Ferramenta de Pesquisa MDX, primeiro defina as variáveis de ambiente necessárias. Em seguida, integre a ferramenta ao seu projeto crewAI para começar sua pesquisa de mercado. Veja abaixo um exemplo básico de como fazer isso: ```python Code from crewai_tools import MDXSearchTool # Inicialize a ferramenta para pesquisar qualquer conteúdo MDX que ela conheça durante a execução tool = MDXSearchTool() # OU # Inicialize a ferramenta com um caminho específico para o arquivo MDX, realizando buscas exclusivamente neste documento tool = MDXSearchTool(mdx='path/to/your/document.mdx') ``` ## Parâmetros - mdx: **Opcional**. Especifica o caminho do arquivo MDX para pesquisa. Pode ser informado durante a inicialização. ## Personalização do Modelo e Embeddings A ferramenta utiliza, por padrão, o OpenAI para embeddings e sumarização. Para personalizar, utilize um dicionário de configuração conforme exemplo abaixo: ```python Code tool = MDXSearchTool( config=dict( llm=dict( provider="ollama", # As opções incluem google, openai, anthropic, llama2, etc. config=dict( model="llama2", # Parâmetros opcionais podem ser incluídos aqui. # temperature=0.5, # top_p=1, # stream=true, ), ), embedder=dict( provider="google", # ou openai, ollama, ... config=dict( model="models/embedding-001", task_type="retrieval_document", # Um título opcional para os embeddings pode ser adicionado aqui. # title="Embeddings", ), ), ) ) ```