Geração aumentada por recuperação (RAG)
Definição rápida
A geração aumentada por recuperação (RAG) é uma técnica na qual um sistema de IA primeiro recupera passagens relevantes de uma fonte confiável, como uma base de conhecimento ou um catálogo de produtos, e depois as fornece a um modelo de linguagem para que sua resposta se baseie nessas passagens em vez de apenas em sua memória.
Nesta página
Por que o RAG existe
Um modelo de linguagem aprende a partir de um instantâneo fixo de texto. Ele não conhece sua política de devolução, seus preços atuais ou o produto que você adicionou esta manhã, e quando perguntado de qualquer forma, pode produzir uma resposta plausível, mas errada. Re-treinar um modelo toda vez que seu conteúdo muda seria lento e caro.
O RAG resolve isso mantendo o conhecimento fora do modelo. Seu conteúdo permanece em um armazenamento pesquisável que você pode atualizar a qualquer momento; o modelo é solicitado apenas a ler os extratos relevantes e formular uma resposta. A abordagem foi descrita por Lewis e colegas na Facebook AI Research em 2020.
Como funciona, passo a passo
Primeiro, o conteúdo é preparado: documentos, páginas da web ou registros de produtos são divididos em passagens, e cada passagem é transformada em um embedding — uma lista de números que captura seu significado. Esses embeddings são armazenados em um índice vetorial, muitas vezes ao lado de um índice de palavras-chave clássico.
Quando uma pergunta chega, ela é convertida da mesma forma e as passagens mais próximas são recuperadas, às vezes combinadas com busca por palavras-chave ou filtros como idioma ou categoria. As melhores passagens são inseridas no prompt do modelo com uma instrução para responder a partir delas. Muitos sistemas também retornam as fontes, para que o leitor possa verificar de onde veio a resposta.
Limites a serem conhecidos
O RAG é tão bom quanto o que recupera. Se a passagem certa estiver faltando, desatualizada ou mal dividida, o modelo responde a partir do extrato errado ou recorre à sua memória. Perguntas estruturadas — "a jaqueta mais barata em estoque no tamanho M" — são mal atendidas apenas pela busca de similaridade e precisam de filtros em dados reais. E o modelo ainda pode interpretar mal uma passagem, então respostas sobre tópicos sensíveis devem ser verificadas ou escaladas.
É por isso que sistemas de produção combinam RAG com busca estruturada, regras de frescor que re-sincronizam o conteúdo quando ele muda e instruções claras para dizer quando as fontes não contêm a resposta.
RAG no atendimento ao cliente
Para um assistente de suporte ou e-commerce, o RAG é o que permite que o agente responda a partir do seu FAQ, suas políticas e seu catálogo na língua do cliente, e aponte para a página que usou. No AI SmartTalk, o conhecimento a partir do qual um assistente responde — páginas da web, documentos, entradas de FAQ e produtos sincronizados — é indexado dessa forma, e perguntas sobre produtos também usam filtros de preço, opções e estoque.
Perguntas frequentes
O RAG é o mesmo que ajuste fino?
Não. O ajuste fino altera os pesos do modelo treinando-o com exemplos; o RAG deixa o modelo inalterado e fornece as informações corretas no momento da pergunta. O RAG é geralmente a melhor escolha para fatos que mudam, como preços, estoque ou políticas.
O RAG impede alucinações de IA?
Ele as reduz bastante, porque o modelo responde a partir de passagens reais, mas não as remove. Uma boa recuperação, uma instrução para admitir quando as fontes estão silenciosas e uma transferência para uma pessoa em casos sensíveis ainda são necessárias.
O que é um banco de dados vetorial?
Um armazenamento que indexa embeddings para que as passagens mais próximas em significado a uma pergunta possam ser encontradas rapidamente. É a camada de recuperação usual de um sistema RAG, frequentemente emparelhada com busca por palavras-chave.
O RAG pode funcionar com um catálogo de produtos?
Sim, mas os produtos precisam de mais do que busca por similaridade: um assistente deve filtrar em campos estruturados como preço, tamanho ou estoque, e então usar o RAG para descrições e guias de compra.