O Que É RAG? Entenda a Geração Aumentada por Recuperação

O Que É RAG? Entenda a Geração Aumentada por Recuperação

Imagine perguntar a um assistente de IA: “Reservar a sala da biblioteca é grátis? Por quanto tempo posso usá-la?” A resposta depende de uma regra que pode ter mudado desde o treinamento do modelo. A geração aumentada por recuperação, conhecida pela sigla inglesa RAG, traz documentos relevantes para a resposta na hora da pergunta.

Pense numa consulta a fontes antes de escrever: encontre trechos, entregue-os ao modelo e então gere a resposta. A fonte ainda pode estar errada, velha ou ter sido mal escolhida. Uma biblioteca fictícia mostra o benefício e os pontos de falha.

Três trechos, uma pergunta

Imagine que a biblioteca tenha estes registros inventados:

Para a pergunta inicial, A é a fonte atual relevante. B fala do mesmo assunto, mas está ultrapassado; C é atual, mas não responde. Uma boa resposta seria: “Na regra atual desta biblioteca fictícia, a sala é gratuita por até duas horas [A].” A indicação [A] aponta para o documento que a pessoa pode abrir e conferir.

A busca faz mais do que achar palavras iguais. Precisa trazer a versão correta do documento certo. Se ela escolher B apenas porque contém “sala de reunião”, a resposta pode errar com muita confiança o preço e a duração.

O que acontece antes da resposta

Um aplicativo RAG costuma preparar documentos para busca: divide arquivos longos em trechos menores e guarda esses trechos num índice. Quando chega a pergunta, procura no índice, escolhe passagens úteis e coloca esses textos no contexto do modelo junto com a pergunta. O modelo escreve a resposta. A busca pode usar palavras-chave, semelhança vetorial ou ambas; RAG não exige um banco de dados específico. O guia de arquitetura da Microsoft descreve busca, geração, citações e preparação dos documentos.

Os pesos do modelo não mudam automaticamente porque um documento foi recuperado. O trecho entra como contexto desta resposta. Isso é diferente de treinar o modelo novamente, embora outros projetos possam combinar as técnicas. O artigo de pesquisa de Lewis e colegas, de 2020, combinou o conhecimento aprendido pelo modelo com material externo recuperado; os aplicativos atuais usam arquiteturas variadas sob o mesmo nome geral.

Onde o RAG ainda pode falhar

Mesmo um link verdadeiro não prova que a afirmação ao lado está correta. O guia da Microsoft alerta que busca incompleta ou irrelevante pode produzir respostas erradas e que o acesso aos documentos do índice precisa ser controlado. Uma página recuperada também pode conter uma tentativa de injeção de prompt; RAG não torna texto externo confiável.

Quando usar esse padrão

RAG ajuda quando a resposta depende de uma coleção de documentos que muda, é grande demais para colar em todo pedido ou precisa de fonte rastreável: manuais internos, documentação de produtos e regras de atendimento. Para um fato simples e estável, buscar e ler diretamente pode ser mais fácil. Para uma conta, a busca pode fornecer os números, mas o cálculo ainda deve ser conferido.

A pergunta útil não é apenas “tem RAG?”, mas encontrou a fonte certa, usou-a sem distorcer e mostrou como conferir? Use essas perguntas para avaliar um sistema. Para entender o modelo, leia O Que É um LLM?; para um teste repetível, veja Como Testar um Assistente de IA.

Fontes e leitura adicional

• Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• Microsoft Learn: RAG e índices
• OWASP: riscos de injeção em material recuperado