Resumo: RAG é a técnica que faz um modelo de IA consultar uma base de conhecimento antes de responder. A sigla vem do inglês e quer dizer geração aumentada por recuperação. O modelo não depende só do que aprendeu no treino. Ele busca os trechos certos nos documentos da empresa e responde com base neles. Assim, a resposta fica mais atual e ligada a uma fonte, sem novo treino.
Neste artigo
- O que é RAG?
- Por que a IA não conhece as regras da sua empresa?
- Como o RAG funciona, passo a passo
- Da base de conhecimento do atendimento à base da IA
- Colar o documento no prompt ou usar uma base de conhecimento?
- RAG ou treinar o modelo?
- O que faz uma base de conhecimento funcionar?
- Quem pode ver e quem pode alterar a base?
- Como funciona a Base de Conhecimento no Prismon
- Perguntas frequentes
Pergunte a um assistente de IA qual é a política de reembolso de viagens da sua empresa. Ele pode responder com uma regra genérica, ou até inventar uma resposta que parece plausível. O modelo não leu a sua política.
Agora imagine que, antes de responder, ele abre a política vigente, encontra o parágrafo sobre reembolso e responde a partir dele. Essa é a ideia do RAG.
O que é RAG?
RAG é a sigla de retrieval-augmented generation, ou geração aumentada por recuperação. É uma arquitetura que liga um modelo de linguagem a uma base de conhecimento externa.
Com isso, o modelo consulta uma fonte confiável antes de responder. Essa fonte fica fora do treino. Assim, o modelo pode usar conhecimento da empresa ou de um domínio sem ser treinado de novo.
O termo vem de um artigo científico de 2020, assinado por Patrick Lewis e outros pesquisadores. O estudo juntava um modelo de linguagem a um índice de documentos consultado na hora da resposta. As respostas ficaram mais específicas e mais factuais do que as do modelo sozinho.
Por que a IA não conhece as regras da sua empresa?
Porque um modelo de linguagem só sabe o que viu no treino. Esse conhecimento é fixo e tem data de corte. Ele não inclui os documentos internos da sua empresa.
Isso causa quatro problemas:
Resposta inventada: quando não sabe, o modelo pode dar uma informação falsa com tom de certeza.
Resposta fora de data: o modelo não sabe o que mudou depois do treino.
Resposta genérica: sem o contexto da empresa, ele responde o que vale em geral.
Confusão de termos: a mesma palavra pode ter sentidos diferentes em fontes diferentes.
Como o RAG funciona, passo a passo
O RAG tem duas fases: preparar a base e responder.
Preparar a base. Os documentos são divididos em trechos menores. Cada trecho vira um vetor, uma forma numérica do seu sentido, chamada embedding. Esses vetores ficam guardados em um índice de busca.
Responder. O fluxo tem cinco passos:
A pergunta chega. A pessoa pergunta, por exemplo: "Qual o limite de reembolso de hotel em viagens nacionais?"
A busca encontra os trechos. O sistema procura na base os trechos com sentido mais próximo da pergunta. É uma busca por sentido, não só por palavra igual.
Os trechos voltam. O parágrafo da política de viagens sobre hospedagem é recuperado.
O prompt é montado. O sistema junta a pergunta e os trechos encontrados em uma só instrução para o modelo.
O modelo responde. A resposta sai com base na política e pode indicar de onde veio.
Nada disso muda o modelo. Se a política mudar amanhã, basta trocar o documento na base.
Da base de conhecimento do atendimento à base da IA
A expressão "base de conhecimento" é antiga. Em times de atendimento e de TI, ela nomeia a central de artigos, perguntas frequentes e procedimentos. As pessoas consultam essa central para resolver problemas.
A base de conhecimento usada pela IA segue o mesmo princípio: uma fonte única e confiável. A diferença é quem consulta. Em vez de uma pessoa abrir o artigo, o modelo busca o trecho e responde com ele.
Por isso, o que vale para uma boa central de ajuda vale para o RAG. Conteúdo antigo, duplicado ou sem dono gera resposta errada, seja para quem lê, seja para a IA.
Colar o documento no prompt ou usar uma base de conhecimento?
As duas formas dão contexto ao modelo, mas não são a mesma coisa. Só o RAG envolve busca automática em uma base gerida pela organização.
| Critério | Colar o documento no prompt | Base de conhecimento com RAG |
|---|---|---|
| Alcance | Uma conversa, uma pessoa | Todas as pessoas e agentes com acesso |
| Volume | Limitado ao que cabe no prompt | Muitos documentos; a busca traz só os trechos relevantes |
| Atualização | Cada pessoa precisa colar a versão nova | Troca-se o documento uma vez, na base |
| Controle | Cada pessoa decide o que cola | A organização decide o que entra e quem acessa |
| Registro | Depende da ferramenta usada | Fica no mesmo lugar que a base |
Colar um documento resolve uma pergunta pontual. A base resolve a mesma pergunta para a empresa inteira, com a mesma fonte.
RAG ou treinar o modelo?
Há duas formas de dar a um modelo conhecimento de um domínio:
RAG: o modelo consulta uma fonte externa no momento de responder. O modelo não muda.
Ajuste fino (fine-tuning): o modelo é treinado de novo com dados do domínio. O conhecimento passa a fazer parte dele.
Para documentos internos que mudam com frequência, o RAG costuma ser o caminho mais simples. Ele custa menos que retreinar, a fonte pode ser trocada a qualquer momento e a resposta pode citar o documento de origem.
As duas técnicas também podem ser usadas juntas. O ajuste fino ajuda o modelo a dominar o vocabulário e o formato da resposta. O RAG traz o conteúdo atualizado.
O que faz uma base de conhecimento funcionar?
O RAG não corrige um documento ruim: lixo entra, lixo sai. A base precisa ser precisa, completa, consistente e atualizada.
Na prática, isso significa:
Uma versão por documento. Normas revogadas e versões antigas saem da base.
Um assunto por documento. Arquivos que misturam temas tornam a busca menos precisa.
Títulos claros. Eles ajudam a busca a encontrar o trecho certo.
Um responsável. Alguém do negócio responde pelo conteúdo e pela revisão.
Mesmo com uma boa base, o RAG não deixa o modelo livre de erros. Ele reduz o risco de alucinação, mas não o elimina. A decisão continua sendo de quem usa a resposta. Antes de usar um resultado, vale conferir se a fonte citada bate com o original.
Quem pode ver e quem pode alterar a base?
Uma base de conhecimento concentra documentos internos em um só lugar. Isso facilita a resposta e exige mais cuidado com o acesso.
Os principais riscos são três:
Acesso: o sistema deve recuperar só o que cada pessoa pode ver. Uma base de RH não deve responder a quem é da área comercial.
Dados pessoais: quando a base tem dados pessoais, o tratamento segue a LGPD. A orientação é incluir só o necessário e avaliar anonimização.
Conteúdo incorreto: uma informação errada na base vira resposta errada para todos.
Há também um ponto técnico. O índice de vetores precisa de proteção, pois vetores sem criptografia podem, em tese, revelar o texto original.
A outra metade da governança é quem altera a base. Se qualquer pessoa ou agente puder incluir conteúdo sem revisão, a fonte deixa de ser confiável.
Como funciona a Base de Conhecimento no Prismon
No Prismon, a Base de Conhecimento é o recurso que faz a IA responder com conteúdos controlados pela organização. É o RAG aplicado à operação da empresa, com as regras de acesso e registro descritas acima.
Escopo. Uma base pode ser da organização, compartilhada entre vários workspaces, ou de um workspace, para um time ou projeto. Nos workspaces, as bases herdadas da organização costumam aparecer como somente leitura.
Conteúdo integrado. A base aceita documentos, planilhas, apresentações, PDFs, arquivos ZIP, imagens, áudios e vídeos, com até 2 GB por arquivo. Para PDF escaneado, imagem, áudio e vídeo, um modelo de extração converte o conteúdo em texto.
Quando habilitado, a base também pode se conectar a bancos de dados, como PostgreSQL, MySQL, SQL Server, MongoDB e Oracle. Essas conexões ficam disponíveis como ferramentas no chat.
Manutenção visível. Cada arquivo mostra seu status: Pendente, Processando, Indexado, Desatualizado ou Falhou. Regras curtas que nascem da operação podem ser escritas direto na base, sem arquivo. Cada inclusão, edição e exclusão fica na auditoria, com quem fez e quando.
Escrita com aprovação. Por padrão, nenhum agente grava conteúdo na base. Quando a opção é ligada, o agente apenas propõe a inclusão.
A pessoa vê o texto completo e clica em Aprovar. É o nome dela que fica registrado.
Uso. No chat, cada pessoa pode deixar a base desligada, escolher bases manualmente ou usar o modo automático. Agentes podem ter bases vinculadas. Um agente também pode ser exposto como modelo no modo Contexto RAG, para que aplicações consultem a base pelo Gateway.
Conclusão
RAG é a forma de fazer a IA responder com o conhecimento da empresa. O modelo busca os trechos certos na base de conhecimento e responde a partir deles, sem retreinamento. A resposta fica mais atual, mais específica e ligada a uma fonte.
A técnica, porém, depende da base. Documento antigo vira resposta errada. Acesso sem regra vira exposição de dados. Por isso, o projeto de RAG começa pela curadoria e pela definição de quem vê e quem altera cada base.
Para entender como os agentes usam bases e ferramentas para executar tarefas, leia O que são agentes de IA: definição, tipos e exemplos.
O PRISMON, a base da operação de IA, transforma essas regras em configuração: bases por organização e workspace, conteúdo indexado com status visível, escrita de agentes só com aprovação e registro de cada alteração para auditoria. Conheça o PRISMON.
Perguntas frequentes sobre RAG
O que é RAG em IA?
É a técnica que faz um modelo de IA consultar uma base de conhecimento antes de responder. O modelo busca os trechos mais relevantes nos documentos e responde com base neles, sem precisar ser retreinado. A sigla vem do inglês retrieval-augmented generation, geração aumentada por recuperação.
Base de conhecimento e RAG são a mesma coisa?
Não. A base de conhecimento é o conjunto de documentos e informações da empresa. O RAG é a técnica que busca nessa base e entrega os trechos certos ao modelo na hora da resposta.
Qual a diferença entre RAG e fine-tuning?
No RAG, o modelo consulta uma fonte externa no momento de responder e não muda. No fine-tuning, o modelo é treinado de novo com dados do domínio. As duas técnicas podem ser usadas juntas.
O RAG elimina as alucinações da IA?
Não. O RAG reduz o risco de alucinação, mas não o elimina. A qualidade da resposta depende da qualidade da base, e a pessoa que usa o resultado deve conferir a fonte.
Como usar RAG com o ChatGPT?
Anexar um arquivo a uma conversa dá contexto ao modelo, mas não é RAG em escala: o documento vale só para aquela conversa. Para que várias pessoas e agentes consultem a mesma base, a empresa precisa de uma plataforma. Ela indexa os documentos, controla quem acessa o quê e registra o uso.
Quando vale a pena usar RAG em vez de apenas anexar um arquivo na conversa?
Quando a informação precisa servir a várias pessoas, agentes ou aplicações, e não a uma conversa pontual. Anexar um arquivo resolve uma necessidade específica. Uma base com RAG indexa muitos documentos, controla acessos, atualiza a fonte de uma vez e mantém registro do uso.
O que acontece se a base de conhecimento tiver documentos duplicados, antigos ou contraditórios?
A qualidade da resposta cai. O RAG recupera trechos da base, mas não transforma conteúdo ruim em conteúdo confiável. Se houver versões antigas ou regras conflitantes, o modelo pode usar o trecho errado. Por isso, a base precisa de curadoria, responsáveis definidos e uma só versão vigente por documento.
O RAG substitui a governança de dados da empresa?
Não. O RAG depende de governança para funcionar com segurança. A empresa ainda precisa decidir quem vê cada base e quem altera os documentos. Também precisa definir como tratar dados pessoais e como auditar inclusões, edições e exclusões. Sem essas regras, a base pode expor informações sensíveis ou espalhar respostas incorretas.
Por que é importante que a resposta indique a fonte usada?
A fonte ajuda a pessoa a verificar se a resposta está correta e se o trecho usado bate com o documento original. O RAG reduz, mas não elimina, o risco de erro. Citar a origem ajuda na conferência, na auditoria e na confiança no uso da IA.