Que problema o RAG resolve?
RAG resolve o problema de um modelo de IA não conhecer os documentos da sua organização ou ter apenas uma visão desatualizada do mundo. Em vez de treinar o modelo novamente, você fornece os trechos certos no momento em que ele responde.
Imagine uma operadora de turismo fictícia com 50 pessoas, a Tidewater Travel. Sua equipe de reservas faz sempre as mesmas perguntas sobre um manual de termos e procedimentos de 90 páginas. Um líder de equipe, Leon, testou um chatbot de uso geral: 'Um cliente pode alterar o nome do passageiro principal 10 dias antes da partida? Há alguma taxa?' O chatbot deu uma resposta confiante e genérica sobre regras de companhias aéreas e uma taxa que a Tidewater não cobra. A resposta real está na seção 4.2 do manual, que o chatbot nunca viu.
Como funciona a geração aumentada por recuperação?
A geração aumentada por recuperação funciona em três etapas: recuperar os trechos mais relevantes para a pergunta, adicioná-los ao prompt e deixar o modelo gerar uma resposta com base neles. O glossário da Anthropic descreve a mesma ideia: as informações relevantes são recuperadas de uma base de conhecimento no momento da consulta e enviadas ao modelo junto com a pergunta original.
O termo vem de um artigo de pesquisa de 2020 de Patrick Lewis e colegas, que combinou um modelo de linguagem com um índice pesquisável de documentos e constatou que as respostas eram mais específicas e factuais do que as do modelo sozinho.
1. Prepare os documentos
O manual é dividido em trechos, como uma seção ou alguns parágrafos por vez, para que uma busca retorne uma passagem específica em vez do livro inteiro.
2. Indexe os documentos pelo significado
Cada trecho é convertido em uma representação vetorial, uma lista de números que representa seu significado, e armazenado em um banco de dados vetorial. A AWS descreve essa etapa como a conversão de dados em representações numéricas para que possam ser associados a perguntas.
3. Recupere as informações
A pergunta é convertida da mesma forma e comparada com o índice para encontrar os blocos mais próximos. Muitos sistemas também usam a busca comum por palavras-chave em paralelo.
4. Complemente a instrução
Os trechos mais relevantes são inseridos na instrução, junto com uma orientação como 'responda apenas com base nestas passagens e cite a seção'.
5. Gere
O modelo escreve a resposta com base no texto fornecido, idealmente reproduzindo ou citando os trechos que usou.
Como é uma resposta com e sem RAG?
Sem RAG: 'A maioria das empresas de turismo permite alterações de nome mediante uma taxa de cerca de 50 a 100 por pessoa, sujeita à política da companhia aérea.' Parece útil, mas essa não é a política da Tidewater, e ninguém consegue verificar de onde veio a informação.
Com RAG: o sistema recupera as seções 4.2 e 4.5 do manual, e o modelo responde: 'Sim. A seção 4.2 permite alterar o nome do passageiro principal até 7 dias antes da partida, sem custo. A seção 4.5 informa que pacotes com voos incluídos podem estar sujeitos à taxa de alteração da própria companhia aérea, exibida no sistema de reservas. Fonte: seções 4.2 e 4.5 do manual.' Leon pode abrir as duas seções e confirmar a resposta em segundos. Se o manual mudar, a resposta muda assim que a nova versão for indexada.
Quando você deve usar RAG e quando não deve?
Use RAG quando as respostas precisarem vir de um conjunto específico de documentos que muda ao longo do tempo e as pessoas precisarem consultar a fonte. É adequado para manuais de políticas, documentação de produtos, bases de conhecimento de suporte e acervos de contratos. O glossário da Anthropic observa que ele é particularmente útil para informações atualizadas, conhecimento específico de uma área e citação explícita de fontes.
RAG não é a solução quando os documentos são pequenos o suficiente para serem colados diretamente na instrução, quando a tarefa envolve estilo ou formato em vez de fatos, ou quando os próprios documentos de origem não são confiáveis. Também não substitui as permissões: se um trecho for recuperado, o modelo poderá repeti-lo, por isso os controles de acesso devem ser aplicados antes da recuperação.
O que pode dar errado na geração aumentada por recuperação?
Os problemas de RAG costumam ocorrer na recuperação, e não na geração: se o trecho errado for encontrado, o modelo produzirá uma resposta confiante com base nele. A Anthropic observa que a eficácia de RAG depende da qualidade e da relevância da base de conhecimento e do conteúdo recuperado.
Trecho errado ou parcial
O trecho com a exceção fica em um bloco diferente daquele que contém a regra, por isso a resposta não considera a exceção.
Versões desatualizadas ou duplicadas
O manual do ano passado continua indexado junto com o deste ano, e a versão antiga é recuperada.
O modelo se afasta do texto
O modelo mistura o texto recuperado com seu conhecimento geral. Instruções para responder apenas com base nas fontes e citações visíveis facilitam a identificação disso.
Não existe uma boa resposta
O sistema deve dizer que os documentos não cobrem a pergunta, em vez de tentar adivinhar.
Onde o RAG se encaixa no catálogo da Tosheo.ai?
Geração aumentada por recuperação faz parte da categoria Criação de aplicativos de IA, no curso de criação de aplicativos de IA. Esta aula apresenta os conceitos para quem trabalha com assistentes de IA baseados em documentos da empresa. A trilha de Código, disponível após o cadastro, ensina na prática a criar um pequeno aplicativo RAG, desde a divisão de documentos e a criação de representações vetoriais até a recuperação e as respostas com citações, com feedback baseado no guia de avaliação em cada etapa.
Fontes e escopo
Documentação do Claude da Anthropic, recurso de citações (consultada em 19 October 2026) ↗