O que é RAG?
RAG (Retrieval-Augmented Generation, ou geração aumentada por recuperação) é uma técnica em que a inteligência artificial primeiro busca informações em uma base de documentos confiável e só depois escreve a resposta, usando o que encontrou como apoio.
Em palavras simples
Imagine duas formas de fazer uma prova. Na primeira, você responde tudo de cabeça, com base no que lembra. Na segunda, a prova é com consulta: antes de responder, você abre a apostila, encontra a página certa e escreve a resposta com base nela. A segunda forma costuma gerar respostas mais precisas e atualizadas.
Um modelo de IA comum faz a “prova de cabeça”: responde com o que aprendeu no treinamento, que pode estar desatualizado ou não incluir as informações da sua empresa. Com RAG, a IA faz a “prova com consulta”: ela pesquisa em documentos escolhidos por você e responde a partir deles.
Como funciona
O RAG junta duas peças: um sistema de busca e um LLM, o modelo de linguagem que escreve o texto. O processo tem, em geral, três etapas:
- Preparação da base: os documentos (manuais, políticas, perguntas frequentes, contratos) são divididos em trechos menores e organizados em um índice de busca. Muitas vezes cada trecho é transformado em uma representação numérica do seu significado, chamada embedding, guardada em um banco de dados vetorial. Isso permite encontrar textos pelo sentido, e não só por palavras iguais.
- Recuperação: quando alguém faz uma pergunta, o sistema procura os trechos mais relevantes nessa base.
- Geração: os trechos encontrados são colocados junto com a pergunta na janela de contexto do modelo, com uma instrução do tipo “responda usando apenas estas informações”. O modelo então escreve a resposta e pode até indicar de qual documento tirou cada parte.
O termo ganhou força com um artigo publicado em 2020, “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, liderado por Patrick Lewis, com autores do então Facebook AI Research (hoje Meta AI), da University College London e da New York University. O trabalho foi apresentado na conferência NeurIPS daquele ano.
Exemplos
Robô de perguntas frequentes de uma empresa. Pense em uma loja on-line que quer um chatbot para tirar dúvidas de clientes. Ela reúne num só lugar a política de trocas, os prazos de entrega por região, as formas de pagamento e as regras de garantia. Um cliente pergunta: “Comprei um tênis há 20 dias, ainda posso trocar?”.
- O sistema busca na base e encontra o trecho da política de trocas que fala sobre prazos.
- Esse trecho é entregue ao modelo junto com a pergunta.
- O modelo responde de forma educada e personalizada, seguindo a regra que está escrita no documento, e pode indicar o link da política completa.
Se a loja mudar a política amanhã, basta atualizar o documento. Não é preciso treinar a IA de novo. E, se a pergunta não estiver coberta pela base, o robô pode ser orientado a dizer que não sabe e chamar um atendente humano, em vez de inventar.
Outros usos comuns:
- Assistentes internos que respondem dúvidas de funcionários sobre RH, benefícios e procedimentos.
- Ferramentas que permitem “conversar” com PDFs, contratos e relatórios.
- Buscadores com IA que pesquisam na web e citam as fontes.
Por que isso importa para você
O RAG é uma das formas mais práticas de levar IA para dentro de empresas, porque resolve três problemas de uma vez:
- Informação atualizada: o modelo pode usar dados que surgiram depois do treinamento.
- Conhecimento próprio: a IA passa a responder com base nos documentos da sua empresa, e não só com conhecimento genérico.
- Menos invenção: com uma fonte para consultar, o risco de alucinação de IA diminui, e as respostas podem trazer a referência para conferência.
Mas o RAG não faz milagre: se os documentos estiverem errados ou desatualizados, as respostas também estarão. A busca pode trazer o trecho errado, e o modelo ainda pode interpretar mal o que leu. Por isso, vale testar bastante, revisar a base com frequência e manter um caminho fácil para o atendimento humano.
Na hora de decidir entre RAG e fine-tuning, uma regra prática ajuda: use RAG quando o objetivo é dar à IA conhecimento que muda com frequência; use fine-tuning quando o objetivo é mudar o jeito de responder, como tom, formato ou estilo.
Termos relacionados
- LLM: o modelo que escreve a resposta final no RAG.
- Chatbot: uma das aplicações mais comuns da técnica.
- Fine-tuning: alternativa que ajusta o próprio modelo com novos exemplos.
- Janela de contexto: o espaço onde os trechos encontrados são colocados.
- Alucinação de IA: o problema que o RAG ajuda a reduzir.
Perguntas frequentes
RAG é a mesma coisa que treinar uma IA?
Não. No RAG, o modelo não é alterado: ele apenas recebe, a cada pergunta, trechos de documentos para consultar. Treinar ou fazer fine-tuning muda os pesos internos do modelo.
O RAG acaba com as alucinações?
Não acaba, mas reduz bastante. O modelo ainda pode interpretar mal um trecho ou responder além do que está na base, por isso é importante pedir fontes e revisar respostas críticas.
Uma pequena empresa pode usar RAG?
Sim. Hoje existem plataformas de chatbot e ferramentas de IA que permitem enviar documentos e criar um assistente que responde com base neles, muitas vezes sem precisar programar.