A geração aumentada por recuperação (RAG) é uma técnica de IA que recupera documentos relevantes de uma base de conhecimento antes de gerar uma resposta, fundamentando-a em fontes reais e não apenas na memória do modelo. Em vez de depender de padrões incorporados aos pesos, o RAG traz texto concreto como evidência para compor a resposta. Assim, a IA pode responder sobre documentos que nunca viu no treinamento e indicar citações.
Etapa 1: fragmentação e indexação, preparando a base de conhecimento.
Esse pré-processamento ocorre off-line, antes da primeira pergunta. O resultado é um índice pesquisável em que cada trecho pode ser recuperado por semelhança semântica, não por correspondência exata de palavras. A qualidade da fragmentação afeta diretamente a precisão: divisões ruins misturam assuntos e retornam ruído.
Quando o usuário envia uma consulta, o sistema a converte em embedding com o mesmo modelo usado na indexação. Em seguida, calcula a similaridade entre o vetor da consulta e os vetores do índice, retornando os k trechos semanticamente mais próximos.
Pense em uma bibliotecária que ouve sua pergunta, vai às estantes e traz cinco livros mais relevantes em vez de recitar todo o acervo. A recuperação não exige palavras em comum; ela compara significados. Uma pergunta sobre a recusa de renovação de contrato pode encontrar um trecho sobre cláusulas de rescisão, mesmo sem termos compartilhados.
O RAG recupera conhecimento durante a consulta; o ajuste fino o incorpora nos pesos. Não são abordagens concorrentes para a mesma tarefa: resolvem problemas diferentes, e a escolha exige entender o tipo de problema.
Melhor uso
- RAG: conhecimento dinâmico, privado ou verificável; informação que muda com frequência; ambientes sensíveis à conformidade; bibliotecas pessoais.
- Ajuste fino: adaptar estilo, tom ou formato do modelo a um domínio estável, quando consistência comportamental importa mais que atualidade factual.
Uma base vetorial armazena embeddings e permite busca por similaridade. RAG é uma arquitetura completa que usa uma base vetorial como um componente entre vários. Confundir ambos é um erro comum entre desenvolvedores iniciantes e traz consequências práticas para quem tenta construir um sistema funcional.
A distinção é concreta. Uma base vetorial responde “quais trechos são mais semelhantes a esta consulta?”. A geração aumentada por recuperação usa essa resposta como etapa intermediária e envia os trechos ao modelo de linguagem, que sintetiza uma resposta em linguagem natural. Ter uma base vetorial dá capacidade de recuperação; ter RAG dá um pipeline completo de perguntas e respostas sobre essa camada.
Na prática, se um produto afirma “usar busca vetorial” ou “gerar embeddings dos seus documentos”, pergunte se ele também cria respostas a partir do contexto recuperado. A busca vetorial devolve passagens relevantes; um sistema RAG usa essas passagens para compor uma resposta direta. São relacionados, mas operam em níveis de abstração diferentes.
Os trechos recuperados e a pergunta são enviados ao modelo de linguagem para gerar um rascunho. Verifique as afirmações importantes e preserve links para os originais. A busca pode omitir informações e a geração pode distorcê-las; RAG não garante correção.