O que RAG (Retrieval-Augmented Generation) significa
RAG, ou Retrieval-Augmented Generation, é uma arquitetura em que um sistema recupera documentos externos e os fornece ao modelo para apoiar a geração de uma resposta. A técnica pode aumentar atualidade e rastreabilidade, mas a qualidade depende da consulta, do índice, do ranking das fontes, do contexto recuperado e das instruções de geração.
Como o conceito funciona na prática
- 01
A consulta é transformada em uma busca ou representação de recuperação.
- 02
O sistema seleciona documentos ou trechos considerados relevantes.
- 03
As evidências recuperadas entram no contexto do modelo.
- 04
O modelo sintetiza a resposta e pode ou não exibir atribuição conforme o produto.
Como verificar sem extrapolar a evidência
Uma avaliação de RAG separa recall da recuperação, relevância dos trechos, fidelidade da resposta e qualidade da atribuição. Encontrar a URL no índice não comprova que ela foi usada; uma citação visível é evidência mais forte para aquele ciclo.
Limitações que acompanham a definição
- Recuperação pode selecionar fontes incompletas, antigas ou conflitantes.
- O modelo ainda pode introduzir afirmações não sustentadas pelo contexto.
- Produtos comerciais não expõem necessariamente todo o pipeline de recuperação.
Fontes utilizadas nesta página
As referências do Glossário Quaerion priorizam documentação oficial, pesquisa original e metodologia pública quando o conceito é operacional ou proprietário. Cada fonte sustenta uma parte identificável da definição, do mecanismo ou dos limites descritos neste verbete. O link não significa que o provedor endosse a Quaerion nem que tenha adotado nossa terminologia.
- 01Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ↗
Artigo que descreve a arquitetura RAG original.
- 02GEO: Generative Engine Optimization ↗
Métricas de visibilidade em respostas de mecanismos generativos.
- 03OpenAI — ChatGPT Search ↗
Exemplo de produto com busca, síntese e fontes visíveis.