Módulo 1 - Introdução ao RAG
Visão geral
Este módulo apresenta o Retrieval-Augmented Generation (RAG), um dos paradigmas mais importantes em aplicações modernas de IA. Você aprenderá o que é RAG, por que ele existe e como resolve limitações críticas dos Large Language Models.
Objetivos de aprendizagem
Ao final deste módulo, você será capaz de:
- Definir RAG e explicar seus componentes principais
- Entender por que o RAG é necessário (limitações dos LLMs)
- Descrever as três fases do RAG: indexação, recuperação e geração
- Visualizar o pipeline de RAG de ponta a ponta
- Identificar casos de uso em que o RAG se destaca
Conteúdo do módulo
1. O que é RAG?
- Definição e etimologia
- O conceito de "recuperação + geração"
- Como o RAG difere do fine-tuning
- Breve histórico do RAG
2. Por que RAG? Problemas com LLMs puros
- Alucinações e erros factuais
- Datas de corte de conhecimento
- Falta de acesso a dados privados
- Limites de tokens e janelas de contexto
3. Visão geral da arquitetura do RAG
- Fase de indexação
- Fase de recuperação
- Fase de geração
- Visualização do pipeline completo
Duração estimada
2-3 horas (leitura + exercícios + quiz)
Pré-requisitos
- Compreensão básica de LLMs (GPT, Claude, etc.)
- Familiaridade com APIs
- Não é necessário programar neste módulo
Estrutura do módulo
Módulo 1
├── O que é RAG? (Definição e conceitos)
├── Por que RAG? (Problemas com LLMs)
├── Arquitetura do RAG (As três fases)
└── Quiz (30 questões)
Navegação
- O que é RAG? - Introdução completa
- Por que RAG? - Limitações dos LLMs
- Arquitetura do RAG - O pipeline
- Quiz - Módulo 1 - 30 questões
Principais aprendizados (preview)
Após concluir este módulo, lembre-se:
- RAG = Recuperação + Geração - Combinando busca com LLMs
- RAG resolve alucinações - Fundamentando respostas em dados reais
- Três fases - Indexar → Recuperar → Gerar
- RAG vs Fine-tuning - RAG para dados dinâmicos, fine-tuning para comportamento
Vamos começar sua jornada em RAG!