Capítulo 1: O que é RAG?

Introdução

Retrieval-Augmented Generation (RAG) é uma técnica que aprimora os Large Language Models (LLMs) fornecendo informações relevantes recuperadas de fontes externas de conhecimento. Em vez de depender apenas dos dados de treinamento do modelo, sistemas RAG buscam documentos relevantes e os utilizam para gerar respostas mais precisas, atualizadas e contextualmente relevantes.

O Conceito Central

Pense em RAG como uma prova com consulta:

• Sem RAG (Livro Fechado): O LLM responde às perguntas usando apenas o que memorizou durante o treinamento
• Com RAG (Livro Aberto): O LLM pode buscar informações relevantes antes de responder

Etimologia e História

O termo "Retrieval-Augmented Generation" foi criado por Lewis et al. em seu artigo de 2020 "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks".

Principais marcos:

• 2020: Artigo original sobre RAG publicado pelo Facebook AI Research
• 2021: Melhorias em Dense Passage Retrieval (DPR)
• 2022: Bancos de dados vetoriais se tornam mainstream
• 2023: LangChain e LlamaIndex popularizam pipelines RAG
• 2024: Técnicas avançadas de RAG (HyDE, Multi-Query, etc.)

RAG vs Outras Abordagens

RAG vs Fine-Tuning

Aspecto	RAG	Fine-Tuning
Atualização de dados	Em tempo real	Requer novo treinamento
Custo	Menor	Maior
Melhor para	Conhecimento dinâmico	Mudanças comportamentais
Transparência	Pode citar fontes	Caixa preta
Complexidade de configuração	Moderada	Maior

RAG vs Prompt Engineering

Aspecto	RAG	Prompt Engineering
Tamanho do contexto	Pode lidar com grandes bases de conhecimento	Limitado pela janela de contexto
Precisão	Maior para consultas factuais	Depende do conhecimento do modelo
Caso de uso	Tarefas intensivas em conhecimento	Tarefas gerais

Os Dois Componentes

1. Retriever

O retriever é responsável por encontrar informações relevantes:

# Simplified retriever concept
def retrieve(query, knowledge_base, top_k=5):
    """
    Find the most relevant documents for a query
    """
    # Convert query to embedding
    query_embedding = embed(query)
    
    # Search knowledge base
    results = knowledge_base.similarity_search(
        query_embedding,
        top_k=top_k
    )
    
    return results

2. Generator

O generator utiliza o contexto recuperado para produzir respostas:

# Simplified generator concept
def generate(query, retrieved_docs, llm):
    """
    Generate a response using retrieved context
    """
    # Build prompt with context
    context = "\n".join([doc.content for doc in retrieved_docs])
    
    prompt = f"""Based on the following context, answer the question.
    
Context:
{context}

Question: {query}

Answer:"""
    
    # Generate response
    response = llm.generate(prompt)
    
    return response

Analogia com o Mundo Real

Imagine que você é um agente de suporte ao cliente:

Sem RAG:

Você responde às perguntas de memória, podendo fornecer informações desatualizadas ou incorretas.

Com RAG:

Antes de responder, você busca rapidamente na base de conhecimento da empresa, encontra o documento de política relevante e fornece uma resposta precisa com referência.

Quando Usar RAG

RAG é ideal quando você precisa de:

✅ Informações atualizadas - Documentos da empresa, notícias, pesquisas
✅ Conhecimento específico de domínio - Documentos médicos, jurídicos, técnicos
✅ Atribuição de fonte - Citar de onde veio a informação
✅ Acesso a dados privados - Informações internas da empresa
✅ Redução de alucinações - Respostas fundamentadas em fatos

RAG pode não ser a melhor escolha quando:

❌ Escrita criativa - Poesia, ficção, brainstorming
❌ Conversas gerais - Bate-papo casual não precisa de recuperação
❌ Mudanças comportamentais - Ensinar um novo estilo ao modelo (use fine-tuning)

Aplicações na Indústria

Suporte ao Cliente

Usuário: "Qual é a política de devolução para eletrônicos?"
RAG: Recupera a política de devolução atual → Gera resposta precisa

Pesquisa Jurídica

Usuário: "Encontre jurisprudência sobre propriedade intelectual em software"
RAG: Recupera casos relevantes → Resume as conclusões

Informação Médica

Usuário: "Quais são os efeitos colaterais do medicamento X?"
RAG: Recupera documentos da FDA → Fornece lista precisa

Busca Corporativa

Usuário: "O que foi discutido na reunião do conselho do último trimestre?"
RAG: Recupera a ata da reunião → Resume os principais pontos

Terminologia Chave

Termo	Definição
Retrieval	Processo de encontrar documentos relevantes
Augmentation	Adição do contexto recuperado ao prompt
Generation	LLM produzindo uma resposta
Knowledge Base	Coleção de documentos para busca
Embedding	Representação vetorial de texto
Semantic Search	Busca de documentos por significado, não por palavras-chave

Resumo

• RAG combina recuperação e geração para melhores respostas de IA
• Resolve limitações importantes dos LLMs como conhecimento desatualizado e alucinações
• Dois componentes principais: Retriever (encontra docs) + Generator (produz resposta)
• Ideal para tarefas intensivas em conhecimento que exigem precisão e citações
• Diferente de fine-tuning - RAG é para conhecimento, fine-tuning para comportamento

---

Próximos Passos

Continue para Capítulo 2: Por que RAG? para entender os problemas específicos que o RAG resolve.