Glossário · Inteligência Artificial
RAG
Definição
RAG é a técnica de inteligência artificial que busca informações em documentos e bases de dados confiáveis antes de o modelo gerar a resposta, usada por empresas para que assistentes e agentes respondam com base em conteúdo atualizado e próprio, citem fontes e reduzam alucinações em temas específicos do negócio.
- Retrieval-Augmented Generation
- Geração aumentada por recuperação
- Geração aumentada de recuperação
- Cluster
- Inteligência Artificial
- Classificação
- Tecnologia
- Nível
- Intermediário
O que é RAG?
RAG, sigla de Retrieval-Augmented Generation, é uma técnica que combina busca e geração de texto. Antes de responder, o sistema procura trechos relevantes em uma base de documentos e entrega esses trechos ao LLM junto com a pergunta. O modelo, então, responde com base nesse material.
A técnica resolve um limite central dos modelos de linguagem: eles só sabem o que aprenderam no treinamento, que tem data de corte e não inclui os documentos internos de nenhuma empresa. Com RAG, o assistente consulta manuais, políticas, contratos e bases de conhecimento atualizadas.
O conceito foi descrito em um artigo de pesquisadores da Meta, na época Facebook AI Research, em 2020. Hoje, RAG é a arquitetura mais comum de assistentes corporativos de IA generativa.
Como funciona na prática?
- Preparação: os documentos da empresa são divididos em trechos e indexados, geralmente em um banco vetorial que permite busca por significado.
- Pergunta: o usuário faz uma pergunta em linguagem natural.
- Recuperação: o sistema busca os trechos mais relevantes para a pergunta.
- Geração: os trechos entram no prompt como contexto, e o modelo gera a resposta.
- Citação: a resposta mostra as fontes usadas, para que a pessoa possa conferir.
A qualidade depende muito da base. Documentos desatualizados, contraditórios ou mal organizados produzem respostas ruins, mesmo com o melhor modelo.
RAG vs fine-tuning: qual a diferença?
| RAG | Fine-tuning | |
|---|---|---|
| O que muda | O contexto da pergunta | O próprio modelo |
| Atualização | Rápida, basta trocar documentos | Exige novo treinamento |
| Fontes | Pode citar | Não cita |
| Melhor para | Conhecimento que muda | Estilo, formato e tarefas específicas |
Exemplos
- Um assistente de RH responde dúvidas sobre benefícios consultando a política oficial e mostra o trecho usado.
- Um time comercial pergunta sobre especificações de produto e recebe respostas baseadas no catálogo atualizado.
- Um departamento jurídico pesquisa cláusulas em centenas de contratos e recebe a resposta com referência ao documento de origem.
Erros comuns
- Indexar documentos desatualizados ou duplicados.
- Não mostrar as fontes ao usuário.
- Ignorar permissões, permitindo que o assistente mostre documentos sigilosos a quem não deveria ver.
- Achar que RAG elimina a alucinação de IA.
Por que importa para líderes e empresas?
RAG é o caminho mais direto para colocar o conhecimento da própria empresa a serviço da IA. Para líderes, a lição é que o projeto depende tanto da organização dos documentos quanto da tecnologia. Uma base bem cuidada vira ativo estratégico para assistentes e agentes de IA.
Perguntas frequentes
O que significa RAG em inteligência artificial?
RAG é a sigla em inglês para Retrieval-Augmented Generation, ou geração aumentada por recuperação. O nome descreve as duas etapas: primeiro o sistema recupera trechos relevantes de uma base de documentos; depois o modelo de linguagem gera a resposta usando esses trechos como contexto. A técnica foi descrita por pesquisadores da Meta em 2020.
Qual a diferença entre RAG e fine-tuning?
O fine-tuning ajusta o próprio modelo com novos exemplos, mudando seu comportamento de forma permanente. O RAG não muda o modelo: entrega a informação certa no momento da pergunta. Para conhecimento que muda com frequência, como preços, políticas e documentos internos, o RAG costuma ser mais barato, rápido de atualizar e fácil de auditar.
RAG elimina alucinações?
Não elimina, mas reduz bastante em perguntas cobertas pela base de documentos. O modelo ainda pode interpretar mal um trecho, misturar informações ou responder fora da base quando a busca não encontra nada relevante. Por isso, bons sistemas mostram as fontes usadas e orientam o modelo a dizer quando não encontrou a resposta.
Para que as empresas usam RAG?
Os usos mais comuns são assistentes internos que respondem com base em manuais, políticas e contratos, atendimento ao cliente com base em documentação oficial, apoio a vendas com informações de produtos e pesquisa em bases técnicas ou jurídicas. O ponto comum é responder com conhecimento próprio da empresa, que o modelo não aprendeu no treinamento.