Quiz: Introdução ao RAG
Teste seus conhecimentos sobre fundamentos de RAG, limitações de LLMs e a arquitetura RAG.
30 questões - Clique em cada pergunta para revelar a resposta correta.
Pergunta 1
O que significa RAG?
a) Geração Automatizada Rápida
b) Geração Aumentada por Recuperação
c) Geração de Acesso Aleatório
d) Gateway de Resposta Aumentada
Mostrar Resposta
Resposta Correta: b
RAG significa Geração Aumentada por Recuperação, uma técnica que combina recuperação de informações com geração por LLM.
Pergunta 2
Qual analogia melhor descreve o RAG?
a) Uma prova de livro fechado
b) Uma prova de livro aberto
c) Memorizar um livro didático
d) Escrever a partir da imaginação
Mostrar Resposta
Resposta Correta: b
RAG é como uma prova de livro aberto - o LLM pode "consultar" informações relevantes antes de responder, em vez de depender apenas do que memorizou durante o treinamento.
Pergunta 3
Qual é o principal objetivo do RAG?
a) Substituir completamente os LLMs
b) Tornar os LLMs mais rápidos
c) Aprimorar os LLMs com conhecimento externo
d) Reduzir custos de LLM
Mostrar Resposta
Resposta Correta: c
O RAG aprimora os LLMs fornecendo informações relevantes recuperadas de fontes externas de conhecimento, melhorando a precisão e permitindo acesso a dados privados/atuais.
Pergunta 4
Qual destes NÃO é um problema que o RAG resolve?
a) Alucinações
b) Knowledge cutoff
c) Velocidade de inferência lenta
d) Sem acesso a dados privados
Mostrar Resposta
Resposta Correta: c
O RAG não resolve principalmente a velocidade de inferência. Na verdade, o RAG pode adicionar latência devido à etapa de recuperação. O RAG resolve alucinações, knowledge cutoff e acesso a dados privados.
Pergunta 5
O que causa alucinações em LLMs?
a) Sobrecarga do servidor
b) LLMs predizem tokens sem verificação de fatos
c) Dados de treinamento em excesso
d) Latência de rede
Mostrar Resposta
Resposta Correta: b
LLMs são máquinas de probabilidade que predizem o próximo token com base em padrões, não em bancos de dados de fatos. Eles podem gerar informações plausíveis, mas falsas, com confiança.
Pergunta 6
Quantas fases principais um sistema RAG possui?
a) 2
b) 3
c) 4
d) 5
Mostrar Resposta
Resposta Correta: b
Um sistema RAG possui três fases principais: Indexação (offline), Recuperação (online) e Geração (online).
Pergunta 7
Qual fase do RAG ocorre offline (antes das consultas dos usuários)?
a) Recuperação
b) Geração
c) Indexação
d) Resposta
Mostrar Resposta
Resposta Correta: c
A fase de Indexação ocorre offline - os documentos são carregados, divididos em chunks, embeddados e armazenados em um banco de dados vetorial antes de qualquer consulta do usuário.
Pergunta 8
Qual é o objetivo do chunking de texto no RAG?
a) Comprimir documentos
b) Criptografar documentos
c) Dividir documentos em unidades menores e recuperáveis
d) Traduzir documentos
Mostrar Resposta
Resposta Correta: c
O chunking divide grandes documentos em unidades menores para uma recuperação mais precisa e para caber nas janelas de contexto do LLM.
Pergunta 9
O que são embeddings no contexto de RAG?
a) Elementos HTML
b) Índices de banco de dados
c) Representações vetoriais densas de texto
d) Chaves de criptografia
Mostrar Resposta
Resposta Correta: c
Embeddings são representações vetoriais densas que capturam o significado semântico do texto. Textos semelhantes têm vetores semelhantes.
Pergunta 10
Que tipo de banco de dados é projetado especificamente para armazenar embeddings?
a) Banco de dados relacional
b) Banco de dados de documentos
c) Banco de dados vetorial
d) Banco de dados de grafos
Mostrar Resposta
Resposta Correta: c
Bancos de dados vetoriais são projetados especificamente para armazenar e buscar eficientemente vetores de alta dimensão (embeddings).
Pergunta 11
O que a busca por similaridade faz no RAG?
a) Encontra correspondências exatas de texto
b) Encontra documentos com representações vetoriais semelhantes
c) Compara tamanhos de arquivos
d) Ordena documentos alfabeticamente
Mostrar Resposta
Resposta Correta: b
A busca por similaridade encontra documentos cujas representações vetoriais estão próximas do vetor da consulta, indicando similaridade semântica.
Pergunta 12
Qual é o tamanho típico de chunk em sistemas RAG?
a) 10-50 caracteres
b) 100-200 caracteres
c) 500-1500 caracteres
d) 10000+ caracteres
Mostrar Resposta
Resposta Correta: c
Tamanhos típicos de chunk variam de 500-1500 caracteres, equilibrando precisão de recuperação com contexto suficiente para compreensão.
Pergunta 13
O RAG é mais adequado para qual tipo de tarefa?
a) Escrita criativa
b) Conversa casual
c) Consultas intensivas em conhecimento
d) Compilação de código
Mostrar Resposta
Resposta Correta: c
O RAG se destaca em tarefas intensivas em conhecimento, onde informações precisas e verificáveis são necessárias, como perguntas e respostas sobre documentos.
Pergunta 14
Quando você deve preferir fine-tuning ao invés de RAG?
a) Quando precisa de acesso a dados privados
b) Quando precisa de informações em tempo real
c) Quando deseja alterar o comportamento/estilo do modelo
d) Quando precisa de citações de fontes
Mostrar Resposta
Resposta Correta: c
O fine-tuning é melhor para alterar como o modelo se comporta (estilo, tom, formato), enquanto o RAG é melhor para adicionar conhecimento.
Pergunta 15
O que acontece durante a fase de Geração do RAG?
a) Documentos são indexados
b) Embeddings são criados
c) O LLM produz uma resposta usando o contexto recuperado
d) Vetores são armazenados
Mostrar Resposta
Resposta Correta: c
Durante a Geração, o LLM recebe a consulta do usuário junto com o contexto recuperado e produz uma resposta fundamentada.
Pergunta 16
O que significa "resposta fundamentada" no RAG?
a) Uma resposta escrita em papel
b) Uma resposta baseada em documentos factuais recuperados
c) Uma resposta sem nenhuma fonte
d) Uma resposta gerada offline
Mostrar Resposta
Resposta Correta: b
Uma resposta fundamentada é aquela baseada e suportada pelos documentos recuperados, reduzindo alucinações.
Pergunta 17
Qual destes é um exemplo de banco de dados vetorial?
a) MySQL
b) MongoDB
c) Pinecone
d) Redis (padrão)
Mostrar Resposta
Resposta Correta: c
Pinecone é um banco de dados vetorial desenvolvido para esse fim. Outros exemplos incluem Weaviate, Chroma, Qdrant e Milvus.
Pergunta 18
O que é o problema de "knowledge cutoff"?
a) LLMs ficando sem memória
b) LLMs não sabem de eventos após sua data de treinamento
c) LLMs se recusando a responder perguntas
d) LLMs gerando texto demais
Mostrar Resposta
Resposta Correta: b
Knowledge cutoff significa que LLMs não possuem informações sobre eventos que ocorreram após a coleta de seus dados de treinamento.
Pergunta 19
Como o RAG ajuda com dados privados/internos?
a) Ele treina o LLM com dados privados
b) Ele criptografa o LLM
c) Ele recupera de documentos privados indexados
d) Ele remove dados privados
Mostrar Resposta
Resposta Correta: c
O RAG permite indexar documentos privados e recuperá-los, dando ao LLM acesso a informações que não foram usadas no treinamento.
Pergunta 20
O que é sobreposição de chunks e por que ela é usada?
a) Duplicar chunks para backup
b) Texto repetido entre chunks para preservar o contexto
c) Padding de criptografia
d) Correção de erros
Mostrar Resposta
Resposta Correta: b
Sobreposição de chunks significa que chunks consecutivos compartilham parte do texto em seus limites, evitando que informações sejam cortadas no meio do contexto.
Pergunta 21
Qual métrica mede o quão semelhantes dois vetores são?
a) Acurácia
b) Precisão
c) Similaridade cosseno
d) Latência
Mostrar Resposta
Resposta Correta: c
A similaridade cosseno mede o ângulo entre dois vetores, indicando o quão semelhantes são suas direções (e, portanto, a similaridade semântica).
Pergunta 22
Em um prompt RAG, o que é o "contexto"?
a) As perguntas anteriores do usuário
b) Os documentos recuperados
c) Os dados de treinamento do LLM
d) A configuração do sistema
Mostrar Resposta
Resposta Correta: b
No RAG, contexto refere-se aos documentos/chunks relevantes recuperados da base de conhecimento e incluídos no prompt.
Pergunta 23
O que significa "top-k retrieval"?
a) Recuperar os k documentos mais relevantes
b) Recuperar k documentos aleatórios
c) Recuperar documentos que começam com a letra K
d) Recuperar k megabytes de dados
Mostrar Resposta
Resposta Correta: a
Top-k retrieval significa encontrar e retornar os k documentos mais semelhantes/relevantes com base na consulta.
Pergunta 24
Em que ano o artigo original do RAG foi publicado?
a) 2018
b) 2019
c) 2020
d) 2022
Mostrar Resposta
Resposta Correta: c
O artigo original do RAG "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" foi publicado em 2020 pelo Facebook AI Research.
Pergunta 25
Por que o RAG pode adicionar latência em comparação com chamadas puras ao LLM?
a) Sobrecarga de criptografia
b) A etapa de recuperação leva tempo
c) O RAG usa modelos mais lentos
d) O RAG exige mais memória de GPU
Mostrar Resposta
Resposta Correta: b
O RAG adiciona a fase de recuperação (embedding da consulta, busca no banco vetorial) antes da geração, o que adiciona latência.
Pergunta 26
O que é busca semântica?
a) Busca por correspondência exata de palavra-chave
b) Busca por nome de arquivo
c) Busca por significado em vez de palavras exatas
d) Busca por data
Mostrar Resposta
Resposta Correta: c
A busca semântica encontra documentos com base no significado/intenção, e não apenas por correspondência exata de palavras-chave, usando similaridade vetorial.
Pergunta 27
Qual componente converte texto em vetores?
a) Splitter
b) Loader
c) Modelo de embedding
d) Gerador
Mostrar Resposta
Resposta Correta: c
O modelo de embedding converte texto (tanto documentos quanto consultas) em representações vetoriais densas.
Pergunta 28
Qual é um benefício do RAG sobre fine-tuning para dados dinâmicos?
a) Menor acurácia
b) Os dados podem ser atualizados sem re-treinamento
c) Geração mais rápida
d) Modelo menor
Mostrar Resposta
Resposta Correta: b
O RAG permite atualizar a base de conhecimento sem re-treinar o modelo, enquanto o fine-tuning exige re-treinamento caro para atualizações de dados.
Pergunta 29
Qual é o papel do retriever no RAG?
a) Gerar respostas
b) Encontrar documentos relevantes para uma consulta
c) Treinar o LLM
d) Comprimir documentos
Mostrar Resposta
Resposta Correta: b
A função do retriever é encontrar e retornar os documentos ou chunks mais relevantes para uma determinada consulta na base de conhecimento.
Pergunta 30
Qual NÃO é um componente típico em um pipeline de indexação RAG?
a) Loader de documentos
b) Splitter de texto
c) Interface do usuário
d) Modelo de embedding
Mostrar Resposta
Resposta Correta: c
O pipeline de indexação normalmente inclui: loader de documentos, splitter de texto, modelo de embedding e armazenamento vetorial. A interface do usuário não faz parte da indexação.
Resultados
| Pontuação | Nível |
|---|---|
| 27-30 | Excelente - Forte entendimento dos fundamentos de RAG |
| 21-26 | Bom - Recomendada uma revisão |
| 15-20 | Médio - Revise os capítulos novamente |
| Abaixo de 15 | Necessita revisão abrangente |