Como criar uma Base de Conhecimento (RAG) que não alucina
Por Edson Gatto · · 12 min de leitura
O Problema das Alucinações
Você implementou RAG. Conectou seus documentos. E a IA continua inventando informação.
Frustrante? Sim. Evitável? Também.
Por Que RAG Falha
1. Chunking Errado
Cortar documentos em pedaços arbitrários destrói contexto.
- Parágrafo cortado no meio = informação incompleta
- Chunk muito grande = ruído demais
- Chunk muito pequeno = sem contexto
2. Embedding Genérico
Usar embedding padrão para domínio específico é receita para erro.
- Termos técnicos não são bem representados
- Sinônimos do seu negócio são ignorados
- Contexto semântico se perde
3. Retrieval Burro
Buscar os 3 chunks "mais similares" não significa buscar os mais úteis.
- Similaridade ≠ Relevância
- Chunks repetitivos desperdiçam contexto
- Informação crítica fica de fora
A Arquitetura Que Funciona
Passo 1: Chunking Inteligente
Documento → Seções Lógicas → Chunks com Overlap → Metadados
- Respeite a estrutura do documento
- Use overlap de 10-20% entre chunks
- Adicione metadados: fonte, data, categoria
Passo 2: Embedding Especializado
- Fine-tune ou escolha modelo adequado ao domínio
- Teste com queries reais do seu caso de uso
- Avalie precision e recall, não só similaridade
Passo 3: Retrieval Híbrido
- Combine busca semântica + keyword
- Use reranking para priorizar relevância
- Implemente filtros por metadados
Passo 4: Prompt com Guardrails
"Responda APENAS com base no contexto fornecido. Se a informação não estiver no contexto, diga 'Não encontrei essa informação na base.'"
Métricas de Qualidade
Não confie no "parece bom". Meça.
- Faithfulness: Resposta é fiel ao contexto?
- Relevance: Contexto recuperado é relevante?
- Groundedness: Resposta está fundamentada nos documentos?
Conclusão
RAG não é "conectar documentos e torcer".
É engenharia de conhecimento. Cada etapa importa.
Faça certo ou não faça.