O que é retrieval-augmented generation?
Retrieval-augmented generation (RAG) combina duas etapas: a recuperação, que encontra as informações mais relevantes em uma fonte confiável, e a geração, em que um modelo de linguagem escreve uma resposta com base nessas informações. O termo vem de um artigo científico de 2020 e desde então é uma forma comum de criar assistentes de IA sobre o conhecimento de uma empresa.
Sem recuperação, um modelo de linguagem responde com base em padrões aprendidos no treinamento, que podem estar desatualizados ou simplesmente não incluir a sua empresa. O RAG dá ao modelo o material certo para trabalhar no momento da pergunta.
Como funciona o RAG?
- Preparar as fontes. Documentos ou registros são indexados para permitir a pesquisa, muitas vezes por significado e não por palavras exatas.
- Recuperar. Quando chega uma pergunta, o sistema encontra os trechos ou registros mais relevantes para ela.
- Aumentar. O conteúdo recuperado é adicionado à entrada do modelo junto com a pergunta.
- Gerar. O modelo escreve uma resposta com base nesse conteúdo e, idealmente, indica de onde ele veio.
Under the hood, documents are split into chunks of a few paragraphs each, and each chunk is turned into an embedding, a list of numbers that captures its meaning. Those embeddings are stored in a vector database. A question gets turned into an embedding too, and the database returns the chunks closest in meaning, which is called semantic search. Many systems then rerank the results with a second model and pass only the best few to the model that writes the answer.
Qual é um exemplo de retrieval-augmented generation?
Respostas a partir das diretrizes da marca
Um redator pergunta a um assistente interno se um produto pode ser chamado de “ecológico” em um mercado específico. Sem recuperação, o modelo dá conselhos genéricos.
Com RAG, o assistente primeiro recupera a seção relevante das diretrizes de marca e jurídicas da empresa, depois responde com base nela e inclui o link para a fonte, para que o redator possa verificar.
RAG vs. fine-tuning vs. camada semântica
Essas abordagens resolvem problemas diferentes e muitas vezes são usadas em conjunto.
| RAG | Fine-tuning | Camada semântica | |
|---|---|---|---|
| O que faz | Fornece conteúdo relevante ao modelo no momento da pergunta | Retreina o modelo com exemplos | Define o que significam os dados e as métricas de negócio |
| Ideal para | Documentos, políticas, conhecimento | Estilo, formato, tarefas especializadas | Respostas numéricas consistentes a partir de dados de negócio |
| Mantém as respostas atualizadas | Sim, conforme as fontes são atualizadas | Só após novo treinamento | Yes, reads live trusted data |
| Mostra as fontes | Pode citar os trechos recuperados | Não | Rastreia os números até a sua origem |
Por que o RAG é importante e quais são os seus limites?
- Respostas mais precisas. A fundamentação em fontes confiáveis reduz fatos inventados.
- Informações atuais. As respostas refletem os documentos mais recentes sem retreinar o modelo.
- Resultados verificáveis. As respostas podem indicar as fontes que usaram.
- Limits with numbers. Retrieving text is not the same as calculating metrics correctly. For performance data, AI also needs trusted data and shared definitions.
- Qualidade de entrada, qualidade de saída. Se o conteúdo recuperado estiver errado ou desatualizado, a resposta também estará.
Como Alli faz isso?
Ask Alli, part of Alli by PMG, grounds its answers in your trusted data rather than general knowledge. Every request resolves against shared definitions in Alli Semantic Layer, mapping the question to the trusted metrics, dimensions, and business rules your teams already agreed on.
Each answer is traceable: you can see the data, the logic, and the source behind it. Because every Alli product reads the same trusted foundation, an answer in Ask Alli agrees with the dashboards and reports built on the same data.
Explorar Ask AlliPerguntas frequentes sobre retrieval-augmented generation
O que significa RAG?
RAG significa retrieval-augmented generation: primeiro recuperar informações relevantes e depois gerar uma resposta a partir delas.
O RAG elimina as alucinações de IA?
Reduz as alucinações ao fundamentar as respostas em fontes confiáveis, mas não as elimina. Mostrar as fontes e manter pessoas no processo ainda é importante.
Qual é a diferença entre RAG e fine-tuning?
O RAG fornece informações relevantes no momento da pergunta. O fine-tuning retreina o modelo com exemplos para mudar o seu comportamento. O RAG costuma ser a melhor opção para manter as respostas atualizadas.
O RAG é suficiente para análises de dados de negócio?
Not on its own. Numbers need to be calculated consistently, which takes trusted data and shared metric definitions, such as a semantic layer, alongside any retrieval.
Why do RAG systems pull the wrong passage?
Usually because of how the documents were chunked or searched. A chunk that splits a table from its header loses its meaning, and semantic search alone can miss exact terms like a product code or campaign ID. Teams fix this by chunking along the document's own structure and pairing semantic search with keyword search.
Last updated Back to the glossary
