Conteúdo revisado:
RAG é a sigla de retrieval-augmented generation, ou geração aumentada por recuperação. É uma arquitetura que busca informações externas antes de pedir ao modelo generativo que formule a resposta. Assim, o sistema pode trabalhar com documentos privados, conteúdo recente ou conhecimento especializado que não estava disponível no treinamento original do modelo.
Como funciona um sistema RAG?
Em um fluxo comum, documentos são divididos em trechos e indexados. Quando chega uma pergunta, o sistema procura os trechos mais relevantes e os envia ao modelo junto com a instrução. O modelo gera a resposta usando esse contexto e pode apresentar links ou citações. A qualidade depende de toda a cadeia: preparação dos documentos, busca, ranqueamento, tamanho do contexto, prompt e avaliação da resposta.
RAG evita alucinações?
RAG pode reduzir erros factuais e facilitar a verificação, mas não garante correção. A busca pode recuperar o documento errado, omitir uma fonte essencial ou fornecer informação desatualizada; o modelo ainda pode interpretar mal o trecho. Por isso, uma implementação séria mede precisão da recuperação e fidelidade da resposta separadamente. RAG é indicado quando o conhecimento muda ou precisa permanecer fora dos pesos do modelo. Fine-tuning, por outro lado, costuma servir melhor para comportamento, formato ou estilo recorrente; as duas técnicas também podem ser combinadas.
Referência primária: Lewis et al. — artigo original sobre RAG
Exemplo prático
Ao responder sobre benefícios internos, o sistema busca trechos do regulamento vigente, envia os mais relevantes ao modelo e inclui links. Se nenhuma passagem sustenta a resposta, deve declarar que não encontrou evidência. Atualizar o regulamento no índice é mais simples que treinar novamente o modelo.
Como distinguir e avaliar
RAG é a arquitetura que recupera contexto antes da geração; busca vetorial é apenas uma possível técnica de recuperação. Fine-tuning altera comportamento nos pesos. RAG melhora acesso a fontes, mas não garante que o trecho correto seja encontrado nem que a resposta o interprete fielmente.
Checklist de avaliação
- Meça recuperação e geração como etapas separadas.
- Mantenha fonte, data, versão e permissões no índice.
- Teste perguntas sem resposta, conflitos e documentos desatualizados.
Conceitos relacionados: embedding · alucinação
Fonte primária adicional: Microsoft Learn — visão geral de RAG
Notícias e análises relacionadas
Perguntas frequentes
Para que serve o RAG?
Para que a IA responda com base em documentos específicos e atualizados, reduzindo erros e informações inventadas.
