O Que e RAG? Guia para Iniciantes -- Como Funciona e Onde Usar

"Quero que o ChatGPT leia o regulamento interno da empresa e responda automaticamente as dúvidas dos funcionários", "preciso buscar nos artigos científicos mais recentes e gerar resumos" -- esse tipo de necessidade só cresce. Só que o ChatGPT tem dados de treinamento que param em alguma data passada, e também não da para simplesmente "treinar" uma IA com documentos confidenciais da empresa.

A tecnologia que resolve esse problema é o RAG (Retrieval-Augmented Generation, ou geração aumentada por busca). Desde 2023, virou uma das palavras-chave mais importantes na adoção de IA por empresas, e funções como "Custom GPTs" e "Projects" do ChatGPT usam RAG por baixo dos panos.

Neste artigo explicamos como o RAG funciona em 3 passos, falamos sobre bancos vetoriais, implementação em LangChain e como escolher entre RAG e fine-tuning -- tudo de uma forma acessível para iniciantes, mas tecnicamente correta.

1. O Que é RAG -- Retrieval-Augmented Generation

RAG (Retrieval-Augmented Generation) traduzido literalmente significa "geração (Generation) aumentada (Augmented) por recuperação/busca (Retrieval)". Em português, costuma aparecer como "geração aumentada por busca" ou "geração aumentada por recuperação".

Em uma frase: e o "mecanismo em que, antes de o LLM (modelo de linguagem) gerar a resposta, ele busca informações relevantes em um banco de dados externo e usa essa informação como referência para responder".

Uma analogia culinária

O LLM sozinho e como um "chef que cozinha só de memória". Ótimo, mas não prepara uma receita que não conhece, e nem sabe o que tem na geladeira.

O RAG e o que "entrega ao chef o livro de receitas e diz o que tem na geladeira antes dele cozinhar". Agora ele consulta o livro e usa o que está disponível para preparar o melhor prato.

O papel de "Retrieval", "Augmented" e "Generation"

O ponto-chave é que você não re-treina o LLM; em vez disso, a cada pergunta entrega o "conhecimento necessário" vindo de fora. É justamente essa a diferença decisiva em relação ao fine-tuning, que veremos mais adiante.

2. Por Que o RAG é Necessário -- 3 Limites do LLM Sozinho

LLMs como ChatGPT e Claude tem 3 problemas que não conseguem resolver sozinhos.

Limite 1: corte de conhecimento (frescor da informação)

O LLM é treinado até uma data específica e não conhece nada posterior a essa data. Por exemplo, a versão inicial do GPT-4 so tinha informações até abril de 2023.

• "Me fale sobre o produto novo que a empresa anunciou ontem" -> ele não sabe responder
• "Qual o conteúdo da reforma de lei publicada na semana passada?" -> não sabe
• "Qual a cotação do dólar hoje?" -> não sabe

Com RAG, ele puxa informações de notícias, bancos de dados e APIs em tempo real e responde corretamente.

Limite 2: alucinações (mentiras plausíveis)

Se o LLM não sabe a resposta, costuma inventar algo que parece verdade. Isso se chama "alucinação" (hallucination).

Exemplo: "quantos dias de férias temos pelo regulamento da nossa empresa?" -- o LLM não sabe, mas responde "geralmente são 30 dias por ano". Esse tipo de resposta não serve no ambiente corporativo.

Com RAG, o sistema busca o regulamento real e lê antes de responder, dando uma resposta com base concreta. Da até para mostrar "isto está no documento X, página Y" como fonte.

Limite 3: sem acesso a dados internos ou privados

Os dados de treinamento do LLM não incluem manuais, contratos ou base de clientes da sua empresa. E não da para simplesmente jogar dados confidenciais para "treinar" o modelo (risco de vazamento e custo proibitivo).

Com RAG, você armazena seus documentos internos em um banco vetorial próprio e, quando alguém faz uma pergunta, só o trecho relevante e enviado ao LLM. Assim, você aproveita os dados internos sem comprometer a segurança.

3. Como Funciona -- RAG em 3 Passos

O funcionamento do RAG se divide em duas fases: "preparação prévia (indexação)" e "execução (perguntas e respostas)".

Fase de preparação -- vetorizar e armazenar os documentos

1. Coleta dos documentos: junte os arquivos a usar (PDF, Word, HTML, Markdown etc.)
2. Divisão em chunks: separe os documentos em pedaços de tamanho adequado (por exemplo, 500 a 1000 caracteres)
3. Embedding: passe cada chunk por um modelo de embedding (ex.: OpenAI text-embedding-3-small) para transformar em um vetor de 1536 dimensões (uma lista de números)
4. Armazenar no banco vetorial: salve os chunks e seus vetores em um banco especializado (Pinecone, Qdrant etc.)

Essa etapa é executada quando os documentos são adicionados ou atualizados.

Fase de execução -- 3 passos para responder

Quando uma pergunta chega, o fluxo e:

1. Passo 1: Retrieval (busca)
   • O texto da pergunta e vetorizado pelo mesmo modelo de embedding
   • O banco vetorial retorna os Top-K chunks "mais próximos do vetor da pergunta" (geralmente 3 a 10)
   • A proximidade costuma ser calculada por similaridade do cosseno
2. Passo 2: Augmented (aumento)
   • Os chunks recuperados são inseridos no prompt como "informação de referência"
   • Algo como: "Responda a pergunta com base nas informações a seguir: [resultados]. Pergunta: [pergunta do usuário]"
3. Passo 3: Generation (geração)
   • O LLM (GPT-4, Claude, Gemini etc.) gera a resposta com base na referência
   • Se preciso, ele cita "qual documento foi consultado"

Exemplo concreto: perguntar ao ChatGPT sobre o regulamento interno

Fluxo para a pergunta "quantos dias de férias temos?":

1. A pergunta vira um vetor pelo modelo de embedding -> [0.12, -0.45, 0.78, ...]
2. O banco vetorial retorna 3 chunks ligados a "férias", "descanso" etc.
3. Chunks recuperados: "Art. 15 -- Férias anuais. Após 12 meses de serviço, o funcionário tem direito a 30 dias..." etc.
4. Prompt montado: "Referência: Art. 15... Pergunta: quantos dias de férias temos?"
5. O LLM responde: "Após 12 meses de serviço, o funcionário tem direito a 30 dias de férias (vide Art. 15 do regulamento)"

4. Os Principais Componentes do RAG

Vamos olhar os 5 componentes que formam um RAG.

(1) Modelo de embedding

É uma IA que transforma texto em vetores numéricos. Ela é treinada para que "textos com significado parecido fiquem próximos no espaço vetorial".

(2) Banco de dados vetorial

Um DB especializado que armazena muitos vetores e busca rapidamente os "vetores mais próximos". Detalharemos no próximo capítulo.

(3) Mecanismo de busca (retriever)

Além da busca vetorial, é comum combinar busca por palavras-chave (BM25 etc.) ou busca híbrida.

(4) LLM (geração)

O modelo de linguagem que gera a resposta final. GPT-4, Claude, Gemini, Llama 3 etc. Funciona com APIs comerciais ou modelos OSS rodando localmente.

(5) Template de prompt

O template que une os resultados da busca a pergunta do usuário antes de enviar para o LLM. E peça-chave para a precisão do RAG.

Voce e um assistente especialista no regulamento interno.
Responda a pergunta usando apenas as informacoes de referencia abaixo.
Se a informacao nao estiver presente, responda "nao tenho essa informacao".

[Referencia]
{retrieved_chunks}

[Pergunta]
{user_question}

[Resposta]

5. O Que é um Banco de Dados Vetorial

O banco vetorial é diferente de um RDB tradicional (MySQL etc.): ele é especializado em "buscar rapidamente os vizinhos mais próximos em um espaço vetorial de alta dimensão".

Comparativo dos principais bancos vetoriais

Qual escolher?

• Só quero testar: Chroma (instalou via pip, já roda)
• Aproveitar o PostgreSQL existente: pgvector (mantém tudo em um DB so)
• Produção com baixa carga operacional: Pinecone (zero configuração)
• Produção OSS de verdade: Qdrant ou Weaviate
• Centenas de milhões a bilhões de vetores: Milvus

A propósito, sobre onde hospedar o sistema, veja também a comparação entre PaaS (Vercel etc.), hospedagem compartilhada, VPS e nuvem.

6. Principais Casos de Uso -- Onde o RAG Aparece

Desde 2023, o RAG e uma das tecnologias mais adotadas para uso corporativo de IA. Veja casos representativos.

Caso 1: QA sobre documentos internos (base de conhecimento)

Regulamentos, manuais, especificações técnicas, atas de reunião, materiais comerciais -- tudo isso vira um RAG e o funcionário consulta como se fosse um ChatGPT. O Microsoft 365 Copilot também usa RAG sobre documentos do SharePoint.

Caso 2: atendimento ao cliente automatizado

FAQs e histórico de suporte viram um RAG; um chatbot faz o atendimento de primeiro nível. Operadores humanos ficam para casos mais complexos.

Caso 3: Q&A jurídico e médico

Bases de jurisprudência, artigos científicos, diretrizes clínicas -- tudo virando RAG. Sistemas que advogados e médicos consultam no dia a dia. Como mostram a fonte, combinam muito bem com áreas que exigem fundamento.

Caso 4: busca e resumo de artigos científicos

Bases como arXiv, PubMed e Google Scholar viram RAG e respondem a "qual a tendência recente nessa área?" ou "há trabalhos similares ao método XX?". Elicit e Perplexity são exemplos famosos.

Caso 5: busca de produtos e FAQ em e-commerce

Manuais, avaliações e políticas de devolucao integrados em um RAG. Permite buscas em linguagem natural como "este aspirador funciona com pelo de animal de estimacao?".

Caso 6: chat de documentação para desenvolvedores

A doc oficial de bibliotecas vira um RAG e responde "como faço isso no AWS Lambda?". Stripe, Vercel, Supabase etc. já usam.

Caso 7: busca e explicação em código interno

Código do GitHub vira RAG: "como uso essa função?", "que arquivos implementam algo parecido?". GitHub Copilot Chat e ferramentas de IA para desenvolvedores como Cursor e Claude Code usam técnicas de RAG por baixo.

Caso 8: novas otimizacoes de IA, como llms.txt

O llms.txt -- que ajuda a IA a encontrar informações corretas na web -- combina muito bem com RAG, dando aos donos de sites uma forma estruturada de oferecer conteúdo a ser lido pela IA.

7. RAG vs Fine-tuning -- Qual Escolher

Além do RAG, o outro caminho discutido para "dar conhecimento próprio ao LLM" e o fine-tuning. As duas abordagens são radicalmente diferentes.

Diferença fundamental

Quando o RAG se sobressai

• Conhecimento que muda muito (notícias, documentos internos, info de produto)
• Necessidade de mostrar a fonte (jurídico, médico, financeiro)
• Muitos documentos (treinar tudo seria inviável)
• Precisa entrar no ar logo (curto tempo de desenvolvimento)

Quando o fine-tuning se sobressai

• Quer respostas em estilo / tom específicos (marca, personagem)
• Quer ensinar padrões de linguagem de um domínio (medicina, jurídico)
• Quer reduzir custo de inferência (prompt fica menor)
• Já existe muito dado supervisionado pronto

Combinar os dois e o nível mais alto

Na verdade, RAG e fine-tuning não competem -- é possível combina-los. Estilo via fine-tuning + conhecimento atualizado via RAG: e uma arquitetura comum em produção.

Mesmo assim, iniciantes devem começar pelo RAG, sem dúvida. É muito mais simples de montar e operar do que fine-tuning.

8. Implementação -- Construindo um RAG com LangChain

Apresentamos os principais frameworks para implementar RAG e depois um exemplo mínimo em Python.

Principais frameworks

Exemplo mínimo de RAG com LangChain

Vamos montar, em ~30 linhas, um RAG que responde perguntas sobre o regulamento interno em PDF.

from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 1. Carregar o documento
loader = PyPDFLoader("regulamento.pdf")
docs = loader.load()

# 2. Dividir em chunks
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50
)
chunks = splitter.split_documents(docs)

# 3. Embeddings + banco vetorial
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(chunks, embeddings)

# 4. Cadeia de RAG
llm = ChatOpenAI(model="gpt-4o-mini")
qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
    return_source_documents=True,
)

# 5. Pergunta
result = qa.invoke({"query": "Quantos dias de ferias temos?"})
print(result["result"])
print("Fontes:", [d.metadata for d in result["source_documents"]])

Ao executar, o sistema busca trechos relevantes no PDF do regulamento e o GPT-4o-mini gera a resposta. Como também retorna o número da página, você pode mostrar a citação "vide Art. 15" junto com a resposta.

Para uma implementação mais "para produção"

• Otimizar a divisão em chunks (chunking semântico, hierárquico etc.)
• Busca híbrida (vetor + BM25 por palavra-chave)
• Reranking (Cohere Rerank, voyage-rerank etc. para reordenar)
• Reescrita de query (HyDE, Multi-Query etc. para melhorar a busca)
• Pipeline de avaliação (avaliação automática com RAGAS)

9. Desafios do RAG e Como Resolver

RAG é poderoso, mas em produção você vai enfrentar desafios.

Desafio 1: dificuldade de dividir em chunks

Como cortar o documento muda muito a precisão da busca. Curto demais perde contexto; longo demais piora o resultado.

Soluções:

• Chunking semântico (corta em unidades de significado)
• Sobreposição (deixar trechos vizinhos com overlap)
• Chunks hierárquicos (filho/pai -- buscar no filho, mostrar o pai)

Desafio 2: precisão do retrieval (busca)

Trazer chunks parecidos mas errados, ou perder o trecho importante.

Soluções:

• Busca híbrida (vetor + BM25)
• Modelo de reranking pós-busca
• Geração de várias queries (mesma pergunta com diferentes formulações)

Desafio 3: limite de contexto

Existe um limite de tokens que o LLM aceita; não da para enviar muitos chunks.

Soluções:

• Reduzir o K (top 3 a 5)
• Resumir antes de enviar
• Usar LLMs com contexto longo (Claude com 200K tokens, Gemini com 1M etc.)

Desafio 4: avaliação difícil

Medir objetivamente a qualidade das respostas do RAG não é trivial -- onde encontrar a "resposta certa"?

Soluções:

• Usar RAGAS (framework OSS para avaliar RAG)
• Calcular métricas como precisão da resposta, relevância da resposta, fidelidade da busca
• LLM-as-a-Judge (deixar outro LLM avaliando)

Desafio 5: multilinguismo e multimodalidade

Documentos com vários idiomas misturados, PDFs com imagens, tabelas e gráficos são difíceis.

Soluções:

• Modelos de embedding multilíngue (BGE-M3, Cohere Multilingual)
• Converter imagens / tabelas em texto antes (OCR + VLM)
• Embedding multimodal (CLIP, Nomic etc.)

10. Lista das Principais Ferramentas e Serviços

Resumo por categoria das ferramentas mais usadas em RAG.

Frameworks e bibliotecas

• LangChain -- o framework de RAG mais popular
• LlamaIndex -- focado em conexão de dados
• Haystack -- enterprise
• DSPy -- otimização automática de prompt

Bancos vetoriais (gerenciados)

• Pinecone -- padrão da indústria
• Weaviate Cloud -- com GraphQL
• Qdrant Cloud -- alta performance
• Zilliz Cloud -- versão gerenciada do Milvus

Bancos vetoriais (OSS / self-hosted)

• Chroma -- leve, já pronto em Python
• Qdrant -- feito em Rust, rápido
• Weaviate -- versão OSS
• Milvus -- escala
• pgvector -- extensão do PostgreSQL

Modelos de embedding

• OpenAI text-embedding-3 -- padrão, barato
• Voyage AI -- recomendado pela Anthropic
• Cohere Embed v3 -- multilíngue
• BGE-M3 -- top do OSS

Serviços de RAG no-code / gerenciado

• ChatGPT Projects / Custom GPTs -- RAG da OpenAI
• Claude Projects -- RAG da Anthropic
• Notion AI -- busca dentro do Notion
• Microsoft Copilot (Microsoft 365) -- busca em SharePoint e Teams
• Dify -- plataforma OSS no-code para IA
• Vertex AI Agent Builder -- serviço de RAG do Google Cloud
• Amazon Bedrock Knowledge Bases -- RAG gerenciado da AWS

Ferramentas de avaliação

• RAGAS -- framework OSS para avaliar RAG
• TruLens -- avaliação geral de apps com LLM
• LangSmith -- tracing e avaliação oficial do LangChain

Se quiser se aprofundar no fine-tuning, leia também o que é fine-tuning: explica quando usá-lo em vez de RAG e métodos como LoRA/QLoRA, para iniciantes.

FAQ

Este artigo foi escrito com base em informações de abril de 2026. Como ferramentas e modelos de RAG mudam rápido, confira sempre a documentação mais recente de cada serviço antes de implementar.