RAG avançado além dos modelos atuais

Advanced RAG adiciona técnicas para falhas medidas. Elas não são opções automáticas em modelos locais.

Este é um laboratório conceitual ou externo. Não pressupõe que o aplicativo exponha todos os controles descritos.

Como funciona, passo a passo

RAG acessa evidências, não treina novamente

RAG significa geração aumentada de recuperação: a recuperação fornece passagens relevantes antes que o modelo responda. A ingestão prepara documentos, enquanto a execução da consulta pesquisa o índice e cria contexto. Um modelo de incorporação representa o texto numericamente; o modelo de resposta escreve a resposta. Reclassificadores, visão, gráficos e modelos de roteador têm funções diferentes quando necessário. RAG ajuda com informações privadas ou em mudança, mas não garante a verdade. Use uma API autorizada para saldos, inventário exato ou permissões; um documento antigo não é uma fonte confiável para o estado atual.

Pesquisa e classificação são etapas diferentes

A recuperação seleciona os candidatos e os ordena. top_k é o número de resultados solicitados; aumentá-lo pode trazer evidências, mas também ruído. Um reclassificador examina a consulta e os candidatos mais de perto. Não é possível recuperar uma passagem que falta na lista inicial. O BM25 procura correspondências lexicais e ajuda com códigos exatos; a pesquisa vetorial procura semelhança semântica. O RRF combina posições em listas classificadas em vez de adicionar pontuações com unidades incompatíveis. Estágios extras devem justificar sua qualidade, latência e custo por meio de testes.

Defina o sucesso antes de otimizar

Prepare solicitações representativas e respostas ou propriedades esperadas. Inclui casos comuns, ambiguidade, dados faltantes e erros de ferramentas. Para RAG, meça a recuperação de evidências separadamente da correção da resposta. Recall@k mede a parcela de evidências relevantes encontradas nos primeiros k resultados; Precision@k mede a parcela de resultados retornados que são relevantes. Para agentes, rastreie também ações, permissões e paradas. Um LLM como juiz pode acelerar a avaliação, mas precisa de calibração em humanos. Não altere prompt, modelo e índice simultaneamente se quiser entender o que melhorou os resultados.

O esquema explicativo

Siga as setas sólidas para o fluxo principal. As setas azuis tracejadas fornecem dados ou contexto; setas rosa tracejadas mostram feedback ou retorno de resultados. Cores e formas distinguem modelos, lojas, decisões e resultados. Esses controles de recuperação avançados são conceitos externos e não modelos de aplicativos adicionais. Em telas pequenas, role na horizontal para acompanhar o esquema completo.

Um exemplo completo

A reescrita de consultas esclarece dúvidas; variantes de pesquisas multi-consulta; HyDE cria texto de recuperação hipotético; a recuperação contextual enriquece os pedaços. Verificações corretivas/auto-RAG e podem repetir a recuperação; a recuperação agentic escolhe as etapas dinamicamente.

Experimente você mesmo

1. Reescreva três questões ambíguas e verifique se a intenção permanece inalterada.
2. Registre a entrada, a fonte e o resultado esperado antes de executar o experimento. Use apenas os dados fictícios do exemplo.
3. Siga as etapas do diagrama. A cada passo registre quais informações são recebidas e produzidas; não confunda o resultado intermediário com o resultado final.
4. Repita após remover as informações necessárias ou tornar a entrada ambígua. Verifique se o sistema esclarece, interrompe ou inventa uma resposta.
5. Compare com a solução explicada. Guarde a configuração, data, resultado e explicação das diferenças. Mude uma coisa e teste novamente.

Uma solução explicada

Retenha a consulta original e teste se os ganhos de recuperação justificam chamadas extras; texto hipotético não é evidência. Um exercício bem-sucedido permite mostrar a conexão entre entradas, etapas e resultados. Quando falta informação, uma resposta cautelosa é mais útil do que detalhes inventados. Compare mais do que estilo: verifique também as condições, fontes e operações.

Quando esta abordagem ajuda e quais são seus limites

A reescrita pode alterar o significado ou eliminar um identificador exato. Escolha esta abordagem quando ela melhorar uma necessidade medida. Mantenha uma linha de base simples e compare os resultados usando dados idênticos. Um exemplo de sucesso não estabelece confiabilidade em todas as situações.

Verifique o que aprendeu

O RAG altera os parâmetros do LLM?

Não. Ele fornece contexto de tempo de solicitação; alterações de parâmetros pertencem ao treinamento.

Um reclassificador pode consertar um documento não indexado?

Não. A passagem deve primeiro existir no índice e na lista de candidatos.

Que resultado este exercício deve produzir?

Retenha a consulta original e teste se os ganhos de recuperação justificam chamadas extras; texto hipotético não é evidência.

Termos para lembrar

• Recuperação: Encontrar informações relevantes em fontes acessíveis.
• Reclassificar: Uma reordenação mais cuidadosa dos candidatos já recuperados.
• Regressão / Regressão: uma alteração que quebra um caso anteriormente correto.

Fontes e sua próxima etapa

• Gao et al. — HyDE
• Yan et al. — Corrective RAG
• Asai et al. — Self-RAG

Para preparar: D06 — Atualizações, exclusão e reindexação