IA + seus documentos (RAG)
Aula 15 de 23 do curso “Básico de IA”. Grátis, com animações e teste.
O modelo não leu seus arquivos
O modelo só sabe o que estava nos textos de treino. Ele nunca viu suas anotações, as regras do seu trabalho ou aquele PDF da faculdade. Pergunte sobre o prazo de um curso e ele vai só chutar. RAG (em resumo: primeiro busca, depois responde) resolve assim: um programa procura o trecho certo nos seus arquivos e o modelo responde com base nele. O esquema mostra: pergunta, busca, trecho encontrado, resposta com fonte.
Busca por significado, não por palavras
Primeiro, os documentos são cortados em pedaços, por exemplo um por parágrafo. Cada pedaço vira um embedding: uma lista de números que descreve o significado, como as coordenadas de um ponto num mapa. Sua pergunta também vira um ponto. A busca pega os pedaços cujos pontos estão mais perto da pergunta. Por isso “quando entrego a redação?” acha o parágrafo “prazo de entrega do trabalho: fim de maio”, mesmo com palavras diferentes.
O que foi achado entra no prompt
Depois, o app cola os pedaços encontrados direto no prompt, ou seja, o texto do pedido ao modelo, junto com a sua pergunta. E acrescenta uma instrução: “responda só com base nestes textos e indique a fonte”. O modelo escreve a resposta e coloca uma marca como [1]: o número do pedaço de onde veio a ideia. Tudo isso acontece nos bastidores. Você só vê a resposta com as fontes.
Menos invenção, mas não zero
Por que inventa menos: o modelo reconta o texto que está na frente dele, em vez de lembrar de memória. Por que não chega a zero: a busca pode trazer o trecho errado, como uma versão antiga das regras. O trecho certo pode nem existir, e aí o modelo completa sozinho. Ele também pode misturar dois trechos ou ler errado uma tabela. Dica: acrescente “se os documentos não tiverem a resposta, diga isso”.
Onde você vai ver isso
Chat com PDF: você sobe um livro didático ou um contrato de aluguel e faz perguntas. Bot de suporte de uma empresa: responde pelas regras internas dela, não de memória. Busca com IA: o modelo encontra páginas na internet e escreve a resposta com links. A receita é sempre a mesma: achar trechos, colocar no prompt, responder com fonte. Resumindo: RAG é uma cola que entregam ao modelo bem na hora da resposta.
Tem fonte? Abra
Uma marca [1] não é garantia. Às vezes o link leva a um trecho que diz outra coisa, ou o modelo resumiu errado. Antes de um passo importante (entregar um trabalho, assinar um contrato, gastar dinheiro), abra a fonte e procure aquela frase exata. Bateu? Ótimo. Não achou? Trate a resposta como um chute e pergunte ao modelo onde exatamente isso está escrito.
Teste-se
- O que o RAG faz antes de o modelo responder?
Resposta certa: Acha trechos dos seus arquivos que combinam e põe no prompt. Ninguém treina o modelo de novo. Um programa acha trechos parecidos no significado e coloca no prompt, e o modelo responde com base neles. - Você perguntou “quando entrego a redação?” e ele achou “prazo de entrega do trabalho”. Por quê?
Resposta certa: Textos de significado parecido viram pontos próximos. Um embedding descreve o significado com números. Uma pergunta e um parágrafo sobre a mesma coisa ficam perto no mapa, mesmo com palavras diferentes. - Um bot de documentos respondeu com a marca [1]. O que fazer antes de uma decisão importante?
Resposta certa: Abrir a fonte [1] e achar essa frase lá. A busca pode trazer o trecho errado e o modelo pode resumir errado. Conferir a fonte leva um minuto.