O que é RAG e como o agente consulta os seus dados

O que é RAG, sem jargão

RAG vem do inglês retrieval-augmented generation, que podemos traduzir como geração aumentada por recuperação. A ideia cabe numa frase: antes de responder, o agente procura nos seus documentos o que é relevante e usa esse material como base. São dois passos, busca e geração, daí o nome.

Um modelo de IA, sozinho, só conhece o que viu durante o treinamento. Ele não sabe qual é a política de troca da sua loja, nem o que consta no contrato de um cliente, nem o que mudou ontem na sua tabela. O RAG resolve isso entregando ao modelo, no momento da pergunta, os trechos certos dos seus próprios materiais.

Pense numa pessoa que vai responder uma dúvida difícil. Em vez de falar de memória, ela abre o manual, acha a página e responde com o texto na frente. O agente com RAG faz o mesmo, só que a busca e a leitura acontecem em instantes.

Como o agente encontra a informação certa

Para buscar bem, o sistema precisa entender o sentido do texto, e não apenas as palavras exatas. É aí que entram os embeddings: uma forma de transformar um trecho de texto em uma lista de valores que representa o seu significado. Textos com sentido parecido ficam próximos nessa representação, mesmo escritos de jeitos diferentes.

Esses valores ficam guardados num banco vetorial, que é um banco de dados especializado em achar o que é mais próximo de uma pergunta. Quando alguém pergunta algo, a pergunta também é convertida, o banco devolve os trechos mais parecidos e o agente escreve a resposta com base neles.

Em resumo, o caminho é este:

• Os documentos são divididos em trechos menores.
• Cada trecho é convertido em embedding e guardado no banco vetorial.
• A pergunta é convertida do mesmo modo e comparada com os trechos.
• Os trechos mais próximos são entregues ao modelo junto com a pergunta.
• O modelo escreve a resposta e, idealmente, indica de onde tirou cada informação.

O preparo dos dados decide o resultado

A qualidade da resposta depende mais do material do que do modelo. Se os documentos estão desatualizados, repetidos ou contraditórios, o agente vai achar e repetir essas contradições. Antes de ligar qualquer coisa, vale arrumar a casa.

O preparo costuma incluir decidir quais fontes entram, remover versões antigas, dar nome claro aos arquivos e separar o que é público do que é interno. Documentos escaneados como imagem, tabelas confusas e planilhas com várias abas pedem tratamento extra para que o texto possa ser lido.

Também é preciso decidir como cortar os documentos. Trechos muito curtos perdem contexto, e trechos muito longos trazem ruído. Não existe um tamanho universal: ele se ajusta testando com perguntas reais da operação. Esse levantamento de onde estão os dados e em que estado eles se encontram é parte do diagnóstico.

Quem pode ver o quê: permissões

Um erro grave é indexar tudo num único lugar e deixar qualquer pessoa perguntar qualquer coisa. Se a pasta de folha de pagamento entrar na mesma base do manual de atendimento, uma pergunta bem feita pode expor o que não deveria.

O desenho correto respeita o controle de acesso que já existe. Cada pessoa, ou cada agente, só deve receber trechos de documentos que já teria permissão de abrir. Na prática, isso significa separar bases por área, filtrar a busca pelo perfil de quem pergunta e registrar quem consultou o quê.

Quando há dado pessoal no material, entra também a questão de para onde o conteúdo viaja durante a geração da resposta. O assunto é tratado no artigo sobre LGPD e modelos de IA.

Manter a base atualizada

Uma base que não acompanha a empresa envelhece rápido. Se a política de preços mudou e o banco vetorial ainda guarda o texto antigo, o agente responderá com segurança uma informação errada. Isso é pior do que não responder.

Por isso, o projeto precisa definir quem é o dono de cada fonte e como as mudanças chegam ao agente: reindexação periódica, atualização quando o arquivo muda ou leitura direta do sistema de origem. Documentos substituídos devem sair da base, e não apenas ser acompanhados de uma versão nova.

Vale ainda guardar a data e a origem de cada trecho. Assim, o agente pode informar de onde veio a resposta, e a pessoa consegue verificar se o material é recente.

Limites: ele pode errar, por isso a fonte

RAG melhora a base da resposta, mas não é garantia de acerto. A busca pode trazer o trecho errado, o modelo pode interpretar mal um texto ambíguo e uma pergunta mal formulada pode levar a uma resposta fora do assunto. Quem vende essa técnica como solução sem erro está simplificando demais.

A defesa prática é exigir a citação da fonte. Quando o agente mostra o documento e o trecho usados, a pessoa confere em segundos. Sem fonte, a resposta vira confiança cega. Vale também instruir o agente a dizer que não encontrou, em vez de inventar, e a encaminhar para uma pessoa quando o assunto for sensível.

Para decisões que envolvem dinheiro, contrato, saúde ou direitos de alguém, a regra é a mesma: o agente apoia, a pessoa decide. A pergunta de fundo é sempre qual é o custo de uma resposta errada naquele processo.

Quando RAG não é a resposta

Há perguntas que não pedem texto. Quanto faturamos no mês passado, qual cliente está em atraso e quantos pedidos estão abertos são consultas a números, e a melhor via é ler o dado diretamente no sistema de origem, com uma consulta precisa. Nesse caso, um painel ou um relatório automático costuma ser mais confiável, como no serviço de dashboard com IA.

Também não vale a pena quando o conhecimento é pequeno e estável: um conjunto curto de regras cabe direto na instrução do agente. E quando o processo é fixo, uma automação com regras claras pode ser mais simples e barata. Em muitos projetos, a solução reúne as duas coisas: números lidos do sistema e textos consultados por RAG.

Já quando a tarefa exige agir em sistemas, e não apenas responder, o assunto passa pelo que é um agente e onde ele roda, tema de um artigo próprio.

Um exemplo hipotético do dia a dia

Este é um exemplo hipotético, só para ilustrar. Uma empresa de manutenção predial tem manuais de procedimento, normas internas e um histórico de chamados em documentos espalhados. Os técnicos perdem tempo procurando como executar um serviço.

Com RAG, o técnico pergunta ao agente como proceder em determinada situação. O agente busca nos manuais atuais, responde com o passo a passo e cita o documento e a seção de onde tirou a orientação. Se não encontrar nada relevante, ele diz isso e chama o supervisor.

A empresa define que somente os procedimentos aprovados entram na base e que cada revisão substitui a anterior. O responsável por cada manual atualiza o arquivo, e a base é reindexada. Antes de começar, a empresa escolhe um indicador, como o tempo que o técnico leva para achar a orientação, e o mede de novo depois, no mesmo processo.

Como a Empresa Grid aborda o tema

A Empresa Grid implanta agentes de IA e integrações para executar tarefas repetitivas, e começa sempre pelo diagnóstico. Para um projeto com consulta a documentos, olhamos onde está o conhecimento, em que estado ele se encontra, quem pode ver cada parte e qual é o custo de uma resposta errada naquele processo.

Em regra, a solução é integrada aos sistemas que a empresa já usa. O que é possível depende do sistema e do acesso, e se confirma no diagnóstico. A forma de ligar o agente às fontes é o tema do artigo sobre MCP, e a escolha do modelo para cada tarefa está em como escolher o modelo de IA por tarefa.

O método organiza o trabalho em mapear, priorizar, automatizar e medir, e o glossário explica os termos usados aqui. A visão geral do hub está em tecnologias de IA para automação.

Perguntas frequentes

RAG é a mesma coisa que treinar a IA com os meus dados?

Não. No RAG, o modelo não é retreinado: os trechos relevantes são buscados e entregues a ele no momento da pergunta. Isso facilita atualizar a base e controlar o que o agente enxerga.

Preciso de um banco vetorial?

Em geral, sim, para busca por sentido em muitos documentos. Mas a necessidade depende do volume e do tipo de dado. Em alguns casos, uma busca mais simples resolve. Isso se define no diagnóstico.

O agente vai sempre acertar?

Não. Ele pode trazer o trecho errado ou interpretar mal. Por isso a resposta deve citar a fonte, e as decisões sensíveis ficam com uma pessoa.

Meus documentos ficam seguros?

Depende do contrato do fornecedor, de onde o dado é processado e da configuração. Isso se confere na documentação oficial e com o jurídico da empresa.

Como saber se funcionou?

Definindo um indicador antes de começar e medindo de novo depois, no mesmo processo. O teste com perguntas reais da operação mostra onde a base ainda precisa de ajuste.