A geração aumentada por recuperação, geralmente abreviada como RAG, fornece a um modelo de linguagem informações selecionadas no momento em que ele responde. Em vez de depender apenas dos padrões aprendidos durante o treinamento, uma aplicação pesquisa uma coleção de documentos, adiciona passagens relevantes ao pedido e solicita ao modelo que responda com base nessa evidência.
O fluxo básico tem três partes. A recuperação encontra passagens candidatas. A ampliação reúne essas passagens com instruções e a pergunta do usuário. A geração produz uma resposta que deve permanecer fundamentada no material fornecido. Esse padrão é útil quando o conhecimento é privado, muda com frequência ou precisa de citações.
O RAG não torna um modelo intrinsecamente verdadeiro. Ele cria uma cadeia de componentes que pode ser inspecionada e aprimorada. O recuperador pode deixar passar o documento correto, selecionar uma versão desatualizada ou retornar uma passagem que compartilha palavras-chave, mas não significado. O prompt pode não exigir fundamentação. O modelo pode então combinar trechos válidos em uma conclusão sem suporte.
A preparação dos documentos determina grande parte do resultado. Os arquivos precisam de identificadores estáveis, metadados úteis, regras de acesso e trechos que preservem contexto suficiente. Trechos grandes demais desperdiçam contexto e tornam a relevância menos nítida. Trechos pequenos demais separam uma afirmação de sua definição, data, exceção ou cabeçalho de tabela.
A recuperação pode usar busca por palavras-chave, similaridade vetorial, classificação semântica ou uma combinação. A busca por palavras-chave é forte para nomes, códigos e frases exatas. A busca vetorial pode encontrar passagens conceitualmente relacionadas mesmo quando a redação difere. A recuperação híbrida costuma ser uma opção padrão melhor porque combina ambos os sinais, mas ainda precisa ser avaliada com perguntas reais.
O controle de acesso pertence à recuperação, e não a um aviso após a geração. Um usuário jamais deve receber uma passagem que não tinha permissão para recuperar. Documentos recuperados também devem ser tratados como entrada não confiável: um documento pode conter instruções que tentem substituir as regras da aplicação. Mantenha a política do sistema separada e restrinja o que as ferramentas posteriores podem fazer.
O prompt deve identificar cada trecho-fonte, exigir citações para afirmações factuais e definir a alternativa quando a evidência for insuficiente. Ele também deve dizer ao modelo como tratar divergências: apresentar as versões conflitantes com datas e citações, em vez de escolher uma silenciosamente. Esses requisitos tornam os erros mais fáceis de diagnosticar.
Meça recuperação e geração separadamente. Os testes de recuperação perguntam se a passagem de apoio apareceu entre os principais resultados. Os testes de geração perguntam se a resposta é apoiada, completa, corretamente citada e adequadamente cautelosa. Uma resposta polida pode esconder uma recuperação fraca, enquanto uma recuperação perfeita ainda pode ser seguida por uma síntese ruim.
Mais contexto nem sempre é melhor. Passagens de baixa relevância consomem tokens e podem afastar a resposta da evidência mais forte. Defina um limiar de relevância, remova duplicatas, prefira versões atuais quando a atualidade importar e reserve espaço suficiente para a resposta. Perguntas complexas podem precisar ser decompostas em várias buscas focadas.
O RAG é a ferramenta certa quando os fatos vivem em um corpus privado ou em mudança. O ajuste fino costuma ser mais adequado quando a meta é mudar comportamento, estilo ou desempenho em uma tarefa, em vez de inserir conhecimento atual. Ferramentas de agentes são úteis quando o sistema precisa decidir quando e onde recuperar como parte de um fluxo maior.
Uma interface de RAG confiável deve mostrar suas fontes, admitir quando o corpus não pode responder e permitir correções. O produto real não é o parágrafo gerado. É o caminho de evidência que permite ao leitor decidir se esse parágrafo merece confiança.
Combinamos fontes primárias, documentação de produtos e cenários reais de uso para ajudar você a avaliar se uma ferramenta combina com seu fluxo de trabalho.