Índice
O RAG é uma forma de fazer com que um assistente de IA procure a resposta nos documentos da sua empresa antes de responder. Responde com base nas suas políticas, contratos e base de conhecimento, e não de memória ou com o que está na internet. Para um negócio, isto significa menos respostas inventadas e um chatbot a quem pode confiar clientes e colaboradores.
A seguir explicamos o que é RAG em linguagem simples, como funciona, onde ajuda e qual a diferença entre RAG vs fine-tuning. Sem fórmulas nem jargão.
O que é RAG, explicado de forma simples
RAG é a sigla de Retrieval-Augmented Generation, ou seja, «geração aumentada por pesquisa». Dito de forma simples: primeiro procura, depois responde. O sistema pesquisa os seus documentos e só então escreve a resposta.
Um chatbot comum baseado num modelo de linguagem (como o ChatGPT) só sabe o que viu durante o treino. Nunca viu as suas regras internas. Por isso, quando lhe perguntam pela sua empresa, pode inventar uma resposta com toda a confiança. A essas invenções chama-se «alucinações».
Pense num colaborador acabado de chegar. É inteligente e expressa-se bem, mas ainda não conhece as vossas regras. Pode formá-lo durante meses. Ou pode entregar-lhe o manual da empresa e combinar uma coisa: antes de responder a um cliente, encontra a página certa. O RAG é a segunda opção.
O que isto traz na prática:
- Respostas baseadas nos seus documentos. O sistema mostra de que documento e secção vem cada resposta.
- Conhecimento fácil de atualizar. Muda uma política e o bot passa a responder de outra forma. Não é preciso voltar a treinar o modelo.
- Menos respostas inventadas. O modelo responde com o que encontrou, e não de memória.
A abordagem foi descrita por investigadores da Facebook AI em 2020. Desde então, é uma forma habitual de as empresas ligarem a IA aos seus próprios dados.
Como funciona o RAG em 4 passos
Vejamos um exemplo. Um colaborador pergunta ao bot: «Como peço dias de férias?»
- Preparar os documentos. Reúnem-se as fontes: a política de RH, manuais, contratos, a base de conhecimento. Servem PDF, folhas de cálculo e páginas web. O sistema divide os documentos longos em excertos curtos, como fichas num arquivo. Assim encontra o parágrafo de que precisa, e não a política inteira.
- Pesquisar pelo sentido. O sistema não procura palavras iguais, procura o mesmo sentido. Para isso, converte cada excerto e a própria pergunta num vetor, uma espécie de «impressão digital» numérica do significado. Textos com sentido parecido têm impressões parecidas. Por isso, «como peço dias de férias» encontra a secção «Direito a férias anuais», mesmo com palavras diferentes.
- Passar o que encontrou ao modelo. O sistema junta à pergunta os excertos mais próximos. O modelo recebe uma instrução do género: «Esta é a pergunta e estes são excertos da política. Responde só com base neles».
- Obter uma resposta com a fonte. O modelo escreve uma resposta curta e clara: «Submeta o pedido de férias no portal de RH; a sua chefia aprova-o». Ao lado aparece uma ligação para a secção da política. Qualquer pessoa pode confirmar com um clique.
Onde o RAG ajuda uma empresa
O RAG é útil sempre que a resposta deve vir dos seus próprios documentos e não de conhecimento geral.
- Apoio ao cliente. Um cliente pergunta: «Quais são as condições de entrega para a minha cidade?» Um chatbot baseado na base de conhecimento responde com as condições em vigor. Resolve sozinho as perguntas simples e passa as complexas a uma pessoa.
- Apoio aos colaboradores. Férias, acessos, configuração do portátil, procedimentos internos. Cada um pergunta por palavras suas e recebe a resposta com uma ligação para a norma. Sem esperar que um colega responda no chat.
- Vendas. Um comercial pergunta por especificações, compatibilidades ou condições de fornecimento em vez de percorrer tabelas de preços.
- Contratos. Uma diretora pergunta: «Que contratos preveem penalizações por atraso no pagamento?» O sistema encontra as cláusulas certas em muitos contratos. A decisão continua a ser de uma pessoa.
- Relatórios e documentos. Carrega um relatório ou uma especificação e faz perguntas em linguagem corrente. Isto combina bem com a automatização documental.
RAG vs fine-tuning: qual escolher
Há três formas habituais de adaptar a IA ao seu trabalho.
- Prompt engineering é escrever com cuidado o prompt, a instrução que dá à IA no próprio pedido. Como um briefing detalhado a um fornecedor: rápido e barato, mas só vale para essa conversa.
- RAG significa que a IA procura a resposta nos seus documentos sempre que alguém pergunta. Como um colaborador com o manual aberto em cima da secretária.
- Fine-tuning (ajuste fino) é treinar um pouco mais o modelo com os seus exemplos. Como uma formação longa: a pessoa interioriza um estilo e uma forma de trabalhar, mas regras novas obrigam a nova formação.
Como se comparam:
| Critério | Prompt engineering | RAG | Fine-tuning |
|---|---|---|---|
| Atualidade dos dados | Só o que coloca no pedido | Sempre atual: atualiza os documentos e as respostas mudam | Congelados no momento do treino |
| Custo | O mais baixo | Moderado (pesquisa mais armazenamento) | Mais alto (preparação de dados mais computação) |
| Tempo até ao lançamento | Horas–dias | Dias–semanas | Semanas (recolha e anotação de dados) |
| Proteção contra respostas inventadas | Baixa | Alta: as respostas têm ligação às fontes | Média: melhora o estilo, mas pode inventar factos |
| Privacidade dos dados | Depende do fornecedor do modelo | Os dados podem ficar no seu perímetro | Os dados de treino deixam rasto no próprio modelo |
Quando usar cada um:
- Prompt engineering para tarefas simples e pontuais: reescrever um texto, redigir um email, testar uma ideia depressa.
- RAG quando as respostas têm de vir dos seus documentos, esses documentos mudam com frequência e é preciso ver a fonte. Por exemplo, um bot de apoio ou uma pesquisa em contratos.
- Fine-tuning quando precisa de um tom, um formato ou uma tarefa específica sempre iguais. Por exemplo, responder sempre com a voz da marca ou classificar pedidos por tipo.
RAG vs fine-tuning numa linha: o RAG controla o que a IA sabe e o fine-tuning controla como responde. Muitas vezes combinam-se na mesma solução.
O RAG pode enganar-se?
Pode. O RAG reduz as respostas inventadas, mas não as elimina por completo. Eis o que convém prever antes do lançamento:
- Qualidade dos documentos. Documentos desatualizados ou contraditórios dão respostas desatualizadas ou contraditórias. Elimine primeiro duplicados e versões antigas.
- Qualidade da pesquisa. Se o sistema não encontrar o excerto certo, a resposta será fraca. Isto afina-se e verifica-se com um conjunto de perguntas de teste.
- Permissões de acesso. O bot não deve mostrar a um colaborador o que ele não pode ver. As permissões definem-se por documento.
- Atualizações. Os documentos novos têm de ser acrescentados à pesquisa com regularidade.
- Revisão humana. Nas decisões importantes, a última palavra é de uma pessoa. Um bom sistema diz «não sei» quando faltam dados.
O RAG é seguro para os seus dados?
Para muitas empresas, a grande questão é para onde vão os documentos. O RAG não obriga a enviá-los para a nuvem de terceiros.
O sistema pode funcionar nos seus próprios servidores (chama-se on-premise), com modelos que correm localmente. Assim, nem os documentos nem as perguntas saem da empresa. Isto conta em finanças, saúde, setor público e serviços jurídicos.
Mais sobre como protegemos os dados na página de segurança e dados.
Quanto custa um sistema RAG e quanto tempo demora
O preço depende do volume de documentos, do número de cenários, das integrações e dos requisitos de segurança. As soluções mais simples custam a partir de 2000 $ e ficam prontas em até 2 semanas. Veja a orientação por pacote na página de preços.
O mais sensato é começar com um piloto num só cenário, como um bot de apoio ou um assistente interno. Verifique as respostas com perguntas reais. Depois, alargue a outras áreas.
Vamos analisar o seu caso
Fale-nos dos seus documentos e objetivos, e sugerimos por onde começar e mostramos como funcionaria no seu caso. Marque uma consulta gratuita.
Fontes
- Patrick Lewis et al. (2020). "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks." arXiv:2005.11401. https://arxiv.org/abs/2005.11401
Perguntas frequentes
O que é RAG, explicado de forma simples?
É uma IA que procura a resposta nos seus documentos antes de responder. Mostra a fonte ao lado de cada resposta, para que a possa confirmar.
O que significa RAG em inteligência artificial?
RAG é a sigla de Retrieval-Augmented Generation. A IA começa por recuperar os excertos relevantes dos seus documentos e depois gera a resposta com base neles.
RAG vs fine-tuning: qual me convém?
Se precisa de factos atuais dos seus documentos, escolha RAG. Se precisa de um tom ou formato constantes, o fine-tuning ajuda. Muitas vezes combinam-se.
É possível usar RAG sem enviar dados para a nuvem?
Sim. Um sistema RAG pode ser instalado nos seus próprios servidores com modelos locais, e os dados não saem da empresa.
O RAG pode cometer erros?
Pode, se os documentos estiverem desatualizados ou se não encontrar o excerto certo. Fontes limpas, perguntas de teste, ligações às fontes e revisão humana reduzem o risco.
Quanto tempo demora a implementar RAG?
As soluções mais simples ficam prontas em até 2 semanas. As mais complexas dependem do volume de documentos e das integrações.



