RAG (Retrieval-Augmented Generation)

Buscar trechos relevantes nos seus documentos e colocá-los no contexto do modelo antes de ele responder.

Em vez de esperar que o modelo “saiba” algo, você recupera a informação (busca textual, vetorial ou as duas) e a entrega junto com a pergunta. Isso reduz alucinação sobre dados internos e permite citar fontes.

A real: muitas vezes você não precisa de banco vetorial. Uma busca bem feita e um contexto bem organizado resolvem. E sem avaliação você não sabe se o seu RAG funciona.

Veja também: Embedding, Banco vetorial, Engenharia de contexto, Eval (avaliação de LLM)