Um assistente para documentos complexos

Use um corpus para comparar estratégias RAG. Uma mudança de modelo precisa de uma justificativa ponderada.

Estas etapas referem-se aos recursos identificados no código do aplicativo. Este material não foi validado em uma instância ativa; verifique a documentação e as opções da sua versão.

Como funciona, passo a passo

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.

Relacionamentos explícitos com proveniência

Um gráfico contém entidades e relacionamentos, como Produto → usos → Parte. A extração de LLM pode confundir nomes ou inventar relacionamentos; preservar o documento que comprova cada fato. A travessia limitada procura conexões em vários saltos. Local Graph RAG combina fatos Neo4j com passagens vetoriais. Não é automaticamente o pipeline do Microsoft GraphRAG com detecção e relatórios da comunidade. Questões de dependência podem se beneficiar de um gráfico; perguntas simples de FAQ podem ser mais baratas com a recuperação de vetores.

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. Compare a mesma pergunta usando configurações multimodais, gráficas e híbridas separadas. Suas respostas são avaliadas separadamente e não fundidas em um novo modelo. Em telas pequenas, role na horizontal para acompanhar o esquema completo.

Um exemplo completo

As perguntas incluem códigos exatos, sinônimos, relações entre peças e fontes ausentes. Teste Naive, Rerank, Gráfico, Híbrido e Roteador; adicione Multimodal apenas com ingestão de visão verificada.

Dados fictícios de exercícios

Fonte	Informações para usar
Catálogo	LX-240 usa parte P-12; P-12 usa adaptador A-7.
Devoluções	Solicitações em até 14 dias após o recebimento; produto não utilizado na embalagem original.
Entrega	Estimativa de 2 a 3 dias úteis após o envio, não garantida.

Perguntas iniciais: “Qual adaptador o LX-240 usa?”, “Posso devolver um produto usado?” e “Quanto tempo leva a entrega?”. Adicione casos ambíguos e sem resposta. Mantenha a mesma fonte em todas as comparações.

Experimente você mesmo

1. Execute testes idênticos em variantes e inspecione todos os resultados diferentes.
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

A tabela registra evidências recuperadas, acertos, tempo, consumo e rota do roteador, inclusive direta. 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

Diferentes fontes ou questões invalidam a comparação. 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

Um reclassificador pode consertar um documento não indexado?

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

Uma vantagem extraída de IA prova que o relacionamento é verdadeiro?

Não. Verifique a sua origem e as identidades das entidades.

Que resultado este exercício deve produzir?

A tabela registra evidências recuperadas, acertos, tempo, consumo e rota do roteador, inclusive direta.

Termos para lembrar

• Reclassificar: Uma reordenação mais cuidadosa dos candidatos já recuperados.
• Saltar: Cruzando um relacionamento em um gráfico.
• Regressão / Regressão: uma alteração que quebra um caso anteriormente correto.

Fontes e sua próxima etapa

• Lewis et al. — Retrieval-Augmented Generation
• Microsoft GraphRAG — Visão geral da consulta
• LangGraph — Fluxos de trabalho e agentes

Para preparar: R04 — Reclassificar RAG: melhores evidências primeiro · R05 — RAG Multimodal: documentos também contêm imagens · R06 — Gráfico RAG e gráficos de conhecimento · R07 — Hybrid RAG: significado e palavras exatas · R08 — Roteador RAG e escolha de sua estratégia de recuperação · E02 — Avaliando o RAG etapa por etapa