# Criar e executar assistentes de IA para suporte ao cliente Uma equipe de suporte ou de produto quer um assistente que responda aos clientes a partir da documentação, da central de ajuda ou dos dados de produto da empresa, e não do conhecimento geral de um modelo. Um modelo sozinho responde a partir do que aprendeu no treinamento, então ele não tem como conhecer uma política de devolução ou um limite de plano que só os seus documentos informam. Esta página configura o assistente inteiro na Azion: uma function divide os documentos armazenados no Object Storage, gera o embedding de cada trecho com um modelo do AI Inference e armazena os trechos no SQL Database para vector search. Uma segunda function gera o embedding de cada pergunta, recupera os trechos mais próximos e pede a um modelo do AI Inference que responda a partir deles e os cite. O resultado é medido pela latência das respostas, pela parcela de respostas que citam fontes recuperadas e pela precisão das respostas em um conjunto de teste. Este caso de uso não cobre funcionalidades de IA que não são conversacionais. Para essas, consulte [Adicionar funcionalidades de IA a aplicações existentes](/pt-br/documentacao/casos-de-uso/construir-e-executar-workloads-de-ai/adicionar-funcionalidades-de-ia-a-aplicacoes-existentes/). ## Pré-requisitos - Uma aplicação e um workload que servem o seu domínio, com o **Application Accelerator** ativado, que o behavior **Run Function** exige. Para criá-los, consulte [Primeiros passos com Applications](/pt-br/documentacao/plataforma/applications/primeiros-passos/). - SQL Database habilitado na conta. O produto está em Preview e não vem habilitado por padrão, então solicite acesso pelo [Technical Support](/pt-br/documentacao/suporte/). - Um bucket do Object Storage com `workloads_access` definido como `read_only`, que guarda os documentos como arquivos de texto UTF-8 ou Markdown. Para criar o bucket e enviar os arquivos, consulte [Primeiros passos com Object Storage](/pt-br/documentacao/plataforma/object-storage/primeiros-passos/). - Um personal token com a permissão **Edit SQL Database**, para as chamadas ao banco de dados. Para criar um, consulte [Gerencie personal tokens](/pt-br/documentacao/guias/plataforma/conta-e-billing/personal-tokens/). - A [Azion CLI](/pt-br/documentacao/devtools/cli/), instalada e autorizada, para armazenar as variáveis de ambiente. - Os valores da sua própria configuração. Esta página usa `support-docs` para o bucket, `returns-policy.md` para um documento dentro dele, `support-kb` para o banco de dados, `/admin/ingest` e `/api/ask` para os dois caminhos e `www.example.com` para o domínio. Substitua cada valor pelo seu em todas as etapas. --- ## Produtos necessários | O assistente precisa de | O que significa | Produto | Documentado em | | -------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------- | ----------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Os documentos da empresa em um único lugar de onde o assistente lê | Um bucket que a function de ingestão lê com o módulo `azion:storage` | Object Storage | [Object Storage API](/pt-br/documentacao/devtools/runtime/api-reference/storage/) | | Trechos que podem ser encontrados pelo significado, não por palavra-chave | Uma tabela com uma coluna vetorial e um índice vetorial, consultada com `vector_top_k` | SQL Database | [Vector search](/pt-br/documentacao/plataforma/sql-database/vector-search/) | | Um vetor para cada trecho e cada pergunta, e uma resposta escrita a partir dos trechos | Um modelo de embedding e um modelo de chat chamados com `Azion.AI.run` | AI Inference | [Gere embeddings de documentos em uma tabela vetorial com AI Inference](/pt-br/documentacao/guias/ai/agentes-e-rag/gerar-embeddings-de-documentos-em-uma-tabela-vetorial/) | | Código que divide, gera embeddings, recupera e monta o prompt | Duas functions, cada uma executada por uma regra no seu próprio caminho | Functions | [Primeiros passos com Functions](/pt-br/documentacao/plataforma/functions/primeiros-passos/) | | Regras que executam uma function em um caminho | O behavior **Run Function**, que exige o Application Accelerator na aplicação | Application Accelerator | [Como Functions funciona](/pt-br/documentacao/plataforma/functions/como-funciona/#fases-de-execucao-e-criterios) | --- ## Arquitetura de referência Esta página constrói o *Retrieval-augmented assistant on platform-hosted models*: os documentos, os vetores, a recuperação e os dois modelos ficam na Azion. ```mermaid %%{init: {"layout": "dagre", "themeVariables": {"fontSize": "13px"}, "flowchart": {"nodeSpacing": 12, "rankSpacing": 12, "padding": 6, "wrappingWidth": 70, "minNodeWidth": 40, "useMaxWidth": true}}}%% flowchart TD Bucket["Bucket do Object Storage: support-docs"] -->|"texto do documento"| Ingest["function de ingestão em /admin/ingest"] Ingest -->|"trechos"| Embed["AI Inference: Qwen3 Embedding 4B"] Embed -->|"vetores"| Ingest Ingest -->|"INSERT pela API da Azion"| DB["SQL Database: tabela passages e índice vetorial"] Customer["Cliente"] -->|"POST /api/ask"| Assist["function do assistente em /api/ask"] Assist -->|"pergunta"| Embed Assist -->|"vector_top_k, réplica de leitura"| DB Assist -->|"trechos e pergunta"| Chat["AI Inference: Qwen3 30B A3B Instruct"] Chat -->|"resposta com citações"| Assist Assist -->|"resposta e fontes"| Customer ``` O diagrama tem dois fluxos que se encontram no banco de dados. O fluxo de ingestão, no topo, é executado quando um documento muda: ele transforma um documento em trechos e vetores e os grava na tabela `passages`. O fluxo de requisição é executado a cada pergunta: a function do assistente gera o embedding da pergunta, recupera trechos pela distância vetorial e pede ao modelo de chat que responda a partir deles. Os dois modelos são executados no AI Inference, então nenhum dos fluxos sai da Azion. Uma chamada ao modelo que falha termina dentro da function, e a function decide o que o cliente recebe. ### Fluxo de dados 1. Um operador envia `POST /admin/ingest` com a key de um documento, e a function de ingestão lê esse documento do bucket `support-docs` no Object Storage. 2. A function divide o documento em trechos, gera o embedding de todos eles em uma chamada ao modelo de embedding do AI Inference e os grava na tabela `passages` pela API da Azion, porque a conexão do runtime com um banco de dados é somente leitura. 3. Um cliente envia uma pergunta para `POST /api/ask`. A regra da aplicação executa a function do assistente, que gera o embedding da pergunta com o mesmo modelo de embedding. 4. A function do assistente pede ao índice vetorial de `passages` os quatro trechos mais próximos da pergunta, por uma réplica de leitura do banco de dados. 5. A function envia os trechos, os turnos anteriores da conversa e a pergunta ao modelo de chat do AI Inference, que responde e cita os trechos que usou. 6. A function retorna ao cliente a resposta e a lista das suas fontes. Uma chamada ao modelo que falha termina dentro da function, então o fluxo de falha fica dentro da Azion. ### Componentes - **Functions**: executa a ingestão e a recuperação. A function `support-ingest` divide os documentos e gera os embeddings deles, e a function `support-assistant` gera o embedding da pergunta, recupera os trechos, monta o prompt e chama o modelo de chat. Os dois modelos são acessados com `Azion.AI.run`, então o código não indica nenhum host e não guarda nenhuma credencial de modelo. - **AI Inference**: executa o modelo de embedding, `Qwen/Qwen3-Embedding-4B`, que transforma trechos e perguntas em vetores, e o modelo de chat, `Qwen/Qwen3-30B-A3B-Instruct-2507-FP8`, que escreve a resposta. Os dois são executados na infraestrutura da Azion, o que mantém o fluxo de requisição e as suas falhas dentro da Azion. - **SQL Database**: armazena os trechos, os documentos de origem e os vetores em uma tabela, `passages`, no banco de dados `support-kb`. O assistente os lê por uma réplica de leitura, e a ingestão os grava pela API da Azion. - **Vector Search**: a Feature do SQL Database que ordena os trechos pela distância vetorial. O índice vetorial `passages_idx` responde a `vector_top_k` sem comparar a pergunta com cada linha, então a recuperação lê um número fixo de trechos, por maior que a tabela fique. - **Object Storage**: guarda os documentos de origem no bucket `support-docs`. A function de ingestão os lê pela key, então os documentos continuam sendo a única cópia da qual os trechos derivam. - **aplicação**: o Platform Resource que recebe as perguntas e serve o front-end. As regras dela decidem qual caminho executa qual function, e são executadas antes da function. ### Outros designs para este caso de uso - *Retrieval-augmented assistant over third-party LLMs*: para equipes comprometidas com um provedor de modelos, como OpenAI ou Anthropic. Uma function na Azion continua recuperando os trechos do SQL Database, mas os envia com a pergunta à API do provedor e mantém o estado da conversa entre os turnos, então a geração passa por um provedor externo e acrescenta as chaves do provedor, a latência do provedor e as decisões de fallback ao fluxo de requisição. --- ## Configure a tabela de trechos A tabela de trechos guarda cada trecho, o documento de onde ele veio e o seu vetor. A coluna vetorial declara `F32_BLOB(1024)` porque as functions pedem vetores de 1.024 dimensões ao `Qwen/Qwen3-Embedding-4B`, uma das cinco larguras que o modelo retorna. A coluna e a requisição precisam informar o mesmo número, e um vetor mais estreito armazena menos por trecho. O índice usa a métrica de cosseno, e a tabela tem `INTEGER PRIMARY KEY AUTOINCREMENT`, porque um índice vetorial exige um `ROWID` ou uma chave primária de coluna única. Para criar o banco de dados, envie o nome dele à API do SQL Database: ```bash curl --request POST \ --url https://api.azion.com/v4/workspace/sql/databases \ --header 'Accept: application/json' \ --header 'Authorization: Token [TOKEN VALUE]' \ --header 'Content-Type: application/json' \ --data '{"name":"support-kb"}' ``` A API responde `202` com o novo banco de dados. Guarde o `id` dele, que a próxima chamada e a function de ingestão usam: ```json { "state": "pending", "data": { "id": , "name": "support-kb", "status": "creating", "active": true, ... } } ``` O provisionamento leva cerca de 15 segundos. Envie `GET /v4/workspace/sql/databases/` até que `status` mostre `created`. Depois, crie a tabela e o seu índice: ```bash curl --request POST \ --url https://api.azion.com/v4/workspace/sql/databases//query \ --header 'Accept: application/json' \ --header 'Authorization: Token [TOKEN VALUE]' \ --header 'Content-Type: application/json' \ --data '{"statements":[ "CREATE TABLE passages (id INTEGER PRIMARY KEY AUTOINCREMENT, source TEXT NOT NULL, content TEXT NOT NULL, embedding F32_BLOB(1024));", "CREATE INDEX passages_idx ON passages (libsql_vector_idx(embedding, '\''metric=cosine'\''));" ]}' ``` A API responde `200` com `"state": "executed"` e uma entrada em `data` por instrução. Uma instrução que falha também responde `200`, com `error` no lugar de `results` na sua entrada, então leia as duas entradas antes de continuar. O banco de dados `support-kb` guarda uma tabela `passages` vazia e o índice vetorial `passages_idx`. O índice também acrescenta uma tabela de sombra, `passages_idx_shadow`, que uma listagem de tabelas mostra ao lado de `passages`. --- ## Configure a function de ingestão A function de ingestão transforma um documento em linhas de `passages`. Ela lê, divide e gera os embeddings do documento como [Gere embeddings de documentos em uma tabela vetorial com AI Inference](/pt-br/documentacao/guias/ai/agentes-e-rag/gerar-embeddings-de-documentos-em-uma-tabela-vetorial/) descreve, e grava as linhas como [Grave linhas no SQL Database a partir de uma function](/pt-br/documentacao/guias/desenvolvimento-de-aplicacoes/dados/gravar-linhas-no-sql-database-a-partir-de-uma-function/) descreve, com os valores do assistente: - **Caminho**: `POST /admin/ingest?key=`, um documento por requisição. A rota grava no banco de dados, então ela recusa uma requisição sem o segredo de ingestão. - **Bucket**: `support-docs`, lido de `DOCS_BUCKET`. - **Trechos**: sequências de parágrafos de até 1.500 caracteres. Um trecho curto aponta a resposta para uma seção de um documento, e quatro deles ainda cabem no prompt com espaço para a conversa. Um único parágrafo maior que isso continua sendo um trecho, que a janela de contexto de 32k tokens do modelo de embedding lê inteiro. - **Trechos por documento**: no máximo 99, para que o `DELETE` das linhas antigas do documento e um `INSERT` por trecho caibam em uma chamada de 100 instruções. Um documento mais longo é recusado com `413`, então divida-o em dois arquivos. - **Vetores**: `Qwen/Qwen3-Embedding-4B` em 1.024 dimensões, a largura da coluna `embedding`. - **Credenciais de escrita**: `SQL_DATABASE_ID` e `AZION_TOKEN`. Para armazenar os quatro valores que a function lê, execute estes comandos com a Azion CLI. Uma key que contém `token` ou `secret` é armazenada como secret por padrão: ```bash azion create variables --key "AZION_TOKEN" --value "[TOKEN VALUE]" azion create variables --key "INGEST_SECRET" --value "" azion create variables --key "SQL_DATABASE_ID" --value "" --secret false azion create variables --key "DOCS_BUCKET" --value "support-docs" --secret false ``` Crie as variáveis antes da function: uma function que já está em execução não lê um valor alterado até receber um novo deploy. Crie uma function chamada `support-ingest` com este código: ```javascript import Storage from "azion:storage"; const EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-4B"; const DIMENSIONS = 1024; const MAX_PASSAGE = 1500; const MAX_PASSAGES = 99; function split(text) { const passages = []; let current = ""; for (const paragraph of text.split(/\n\s*\n/)) { const p = paragraph.trim(); if (!p) continue; if (current && current.length + p.length > MAX_PASSAGE) { passages.push(current); current = ""; } current = current ? current + "\n\n" + p : p; } if (current) passages.push(current); return passages; } const quote = (value) => "'" + value.replaceAll("'", "''") + "'"; export default { async fetch(request, env, ctx) { if (request.method !== "POST") { return new Response("Method not allowed", { status: 405 }); } if (request.headers.get("Authorization") !== `Bearer ${Azion.env.get("INGEST_SECRET")}`) { return new Response("Unauthorized", { status: 401 }); } const key = new URL(request.url).searchParams.get("key"); if (!key) { return Response.json({ error: "key is required" }, { status: 400 }); } const object = await new Storage(Azion.env.get("DOCS_BUCKET")).get(key); const passages = split(new TextDecoder().decode(await object.arrayBuffer())); if (passages.length === 0 || passages.length > MAX_PASSAGES) { return Response.json({ error: `${passages.length} passages; split the document` }, { status: 413 }); } const embedded = await Azion.AI.run(EMBEDDING_MODEL, { "input": passages, "encoding_format": "float", "dimensions": DIMENSIONS }); const statements = [`DELETE FROM passages WHERE source = ${quote(key)};`]; for (const item of embedded.data) { statements.push( `INSERT INTO passages (source, content, embedding) VALUES (${quote(key)}, ${quote(passages[item.index])}, vector('[${item.embedding.join(",")}]'));` ); } const result = await fetch( `https://api.azion.com/v4/workspace/sql/databases/${Azion.env.get("SQL_DATABASE_ID")}/query`, { method: "POST", headers: { "Accept": "application/json", "Authorization": `Token ${Azion.env.get("AZION_TOKEN")}`, "Content-Type": "application/json" }, body: JSON.stringify({ statements }) } ); const body = await result.json(); const failed = (body.data ?? []).find((entry) => entry.error); if (!result.ok || failed) { return Response.json({ error: failed?.error ?? `SQL API answered ${result.status}` }, { status: 502 }); } return Response.json({ key, passages: passages.length }); }, }; ``` Execute a function no caminho dela com estes valores, seguindo [Primeiros passos com Functions](/pt-br/documentacao/plataforma/functions/primeiros-passos/): - **Instância da function**: `support-ingest`, sem Args. - **Regra**: uma regra de Request Phase chamada `support - ingest`, com o critério `${uri}` *starts with* `/admin/ingest` e o behavior **Run Function** selecionando a instância `support-ingest`. Um `POST` para `/admin/ingest` com o segredo e a key de um documento substitui os trechos desse documento em `passages` e responde com o número de trechos armazenados. O `DELETE` faz com que uma segunda ingestão da mesma key substitua as linhas dela em vez de duplicá-las. --- ## Configure a function do assistente A function do assistente responde a uma pergunta por requisição. Ela gera o embedding da pergunta com o mesmo modelo e a mesma largura dos trechos, porque um vetor de consulta só pode ser comparado com vetores que esse modelo produziu. Ela recupera os quatro trechos mais próximos: quatro trechos de até 1.500 caracteres fundamentam a resposta em mais de uma seção e mantêm o prompt muito abaixo da janela de contexto de 64k tokens do modelo de chat. Mais três decisões estão no código: - **O vetor de consulta é escrito no texto SQL.** O runtime recusa uma string JavaScript como valor de parâmetro, então o vetor vai dentro de `vector('[...]')`, como faz a referência de vector search. Ele guarda apenas números que o modelo de embedding retornou. - **O cliente carrega a conversa.** O corpo da requisição guarda `history`, as mensagens anteriores de `user` e `assistant`, e a function mantém as seis últimas, que são três turnos. A function não armazena nada entre requisições, e um histórico limitado impede que o prompt cresça a cada turno. - **`max_tokens` é `800`.** A function espera enquanto o modelo gera, então um limite no tamanho da resposta também é um limite no tempo que o cliente espera. A function grava uma linha de log por resposta, registrando se a resposta cita um trecho. Essa linha é a origem da métrica de citação em [Medindo resultados](#medindo-resultados). Para armazenar o nome do banco de dados que a function abre, execute: ```bash azion create variables --key "SQL_DATABASE_NAME" --value "support-kb" --secret false ``` Crie uma function chamada `support-assistant` com este código: ```javascript const EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-4B"; const CHAT_MODEL = "Qwen/Qwen3-30B-A3B-Instruct-2507-FP8"; const DIMENSIONS = 1024; const TOP_K = 4; const SYSTEM_PROMPT = "You answer customer questions using only the numbered passages in the user message. " + "Cite every passage you use as [n]. If the passages do not contain the answer, " + "say that you do not know and suggest contacting support."; async function retrieve(question) { const embedded = await Azion.AI.run(EMBEDDING_MODEL, { "input": question, "encoding_format": "float", "dimensions": DIMENSIONS }); const vector = embedded.data[0].embedding.join(","); const { Database } = Azion.Sql; const connection = await Database.open(Azion.env.get("SQL_DATABASE_NAME")); const rows = await connection.query( `SELECT passages.source, passages.content FROM vector_top_k('passages_idx', vector('[${vector}]'), ${TOP_K}) JOIN passages ON passages.rowid = id;` ); const passages = []; let row = await rows.next(); while (row) { passages.push({ source: row.getString(0), content: row.getString(1) }); row = await rows.next(); } return passages; } export default { async fetch(request, env, ctx) { if (request.method !== "POST") { return new Response("Method not allowed", { status: 405 }); } const { question, history = [] } = await request.json(); if (typeof question !== "string" || question.trim() === "") { return Response.json({ error: "question is required" }, { status: 400 }); } const passages = await retrieve(question); const context = passages .map((p, i) => `[${i + 1}] (${p.source})\n${p.content}`) .join("\n\n"); const modelResponse = await Azion.AI.run(CHAT_MODEL, { "stream": false, "max_tokens": 800, "messages": [ { "role": "system", "content": SYSTEM_PROMPT }, ...history.slice(-6), { "role": "user", "content": `Passages:\n${context}\n\nQuestion: ${question}` } ] }); const answer = modelResponse?.choices?.[0]?.message?.content ?? ""; const cited = /\[\d+\]/.test(answer); console.log(JSON.stringify({ event: "answer", cited, passages: passages.length })); return Response.json({ answer, sources: passages.map((p, i) => ({ n: i + 1, source: p.source })) }); }, }; ``` Execute a function no caminho dela com estes valores, seguindo [Primeiros passos com Functions](/pt-br/documentacao/plataforma/functions/primeiros-passos/): - **Instância da function**: `support-assistant`, sem Args. - **Regra**: uma regra de Request Phase chamada `support - ask`, com o critério `${uri}` *is equal* `/api/ask` e o behavior **Run Function** selecionando a instância `support-assistant`. Um `POST` para `/api/ask` com uma pergunta responde com a resposta do modelo, que cita trechos como `[n]`, e com o documento de onde veio cada trecho citado. Uma regra nova leva alguns minutos para se propagar. --- ## Verifique a configuração - **Um documento vira trechos.** Faça a ingestão do documento de exemplo: ```bash curl -X POST 'https://www.example.com/admin/ingest?key=returns-policy.md' \ -H 'Authorization: Bearer ' ``` A function responde com a key e o número de trechos que armazenou, como `{"key":"returns-policy.md","passages":3}`. Uma requisição sem o header `Authorization` responde `401`. - **Os trechos têm vetores.** Conte as linhas do documento pela API do SQL Database: ```bash curl --request POST \ --url https://api.azion.com/v4/workspace/sql/databases//query \ --header 'Accept: application/json' \ --header 'Authorization: Token [TOKEN VALUE]' \ --header 'Content-Type: application/json' \ --data '{"statements":["SELECT COUNT(*) FROM passages WHERE source = '\''returns-policy.md'\'' AND embedding IS NOT NULL;"]}' ``` A única entrada em `data` traz `results`, cuja única linha guarda o mesmo número que a ingestão retornou. - **Uma resposta vem dos documentos e os cita.** Faça uma pergunta que o documento responde: ```bash curl -X POST https://www.example.com/api/ask \ -H 'Content-Type: application/json' \ -d '{"question":"How many days do I have to return an item?"}' ``` A resposta traz `answer`, com pelo menos uma citação `[n]`, e `sources`, cujas entradas indicam `returns-policy.md`. - **Uma pergunta fora dos documentos não é respondida a partir do treinamento.** Faça uma pergunta que nenhum documento cobre, como `What is the capital of France?`. A resposta diz que o assistente não sabe e não traz nenhuma citação. Quando uma requisição responde `404` ou a página padrão da aplicação, a regra ainda pode estar se propagando. Quando isso persistir depois de alguns minutos, leia as linhas de log da function no [Real-Time Events](/pt-br/documentacao/plataforma/real-time-events/primeiros-passos/), na fonte de dados **Functions Console**. --- ## Medindo resultados | Métrica | Onde ler | Como é quando funciona | | ------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------ | | Latência das respostas | O **Request Time** das requisições para `/api/ask`, na fonte de dados **HTTP Requests** do [Real-Time Events](/pt-br/documentacao/plataforma/real-time-events/fontes-de-dados/#http-requests) | Estável à medida que o número de documentos cresce, porque cada resposta lê quatro trechos, qualquer que seja o tamanho da tabela | | Parcela de respostas que citam fontes recuperadas | As linhas `"event":"answer"` que a function do assistente grava, na fonte de dados **Functions Console** do [Real-Time Events](/pt-br/documentacao/plataforma/real-time-events/fontes-de-dados/#functions-console): as linhas com `"cited":true` sobre o total delas | Perto de todas as respostas. Uma queda aponta para uma pergunta que os documentos não cobrem, ou para trechos que não correspondem mais aos documentos | | Precisão das respostas em um conjunto de teste | Uma lista fixa de perguntas com respostas conhecidas a partir dos seus documentos, enviada para `/api/ask` depois de cada mudança nos documentos, no prompt ou nos modelos | A parcela de respostas corretas se mantém ou sobe de uma execução para a outra | --- ## Boas práticas - **Gere os embeddings de perguntas e trechos com o mesmo modelo e a mesma largura.** A distância vetorial compara dois vetores apenas quando um único modelo produziu os dois em uma única largura. Mudar o modelo ou `dimensions` significa uma nova declaração de coluna e uma nova ingestão completa, então mantenha os dois valores em uma constante compartilhada pelas duas functions. - **Faça uma nova ingestão de um documento quando ele mudar.** O `DELETE` antes das instruções `INSERT` substitui os trechos de um documento, então a tabela nunca responde a partir de uma versão superada. Um documento retirado precisa do seu próprio `DELETE FROM passages WHERE source = '';`. - **Verifique cada entrada de instrução, além do status.** A API do SQL Database responde `200` mesmo quando uma instrução falha, com `error` na entrada dessa instrução. A function de ingestão lê cada entrada, e qualquer script que grava trechos deve fazer o mesmo. Para os formatos de erro, consulte [Boas práticas do SQL Database](/pt-br/documentacao/plataforma/sql-database/boas-praticas/). - **Leia o texto do modelo com optional chaining.** A function lê `modelResponse?.choices?.[0]?.message?.content`, então uma resposta sem um desses níveis gera uma resposta vazia em vez de uma exceção. Para o raciocínio, consulte [Boas práticas do AI Inference](/pt-br/documentacao/plataforma/ai-inference/boas-praticas/). --- ## Guias deste caso de uso - [Gere embeddings de documentos em uma tabela vetorial com AI Inference](/pt-br/documentacao/guias/ai/agentes-e-rag/gerar-embeddings-de-documentos-em-uma-tabela-vetorial.md): Lê, divide e gera os embeddings de cada documento, o padrão que a function de ingestão segue. - [Grave linhas no SQL Database a partir de uma function](/pt-br/documentacao/guias/desenvolvimento-de-aplicacoes/dados/gravar-linhas-no-sql-database-a-partir-de-uma-function.md): Grava os trechos pela API da Azion e verifica cada entrada de instrução.