Um agente conectado ao conhecimento

Um agente pode consultar o RAG como ferramenta de conhecimento. Isso difere de afirmar que memorizou todos os documentos.

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

Um loop de agente limitado

Um agente combina um modelo com ferramentas, um objetivo e um estado. Ele observa a solicitação, escolhe uma etapa, recebe o resultado e decide se continua. Um chatbot só pode gerar texto; um agente pode solicitar uma ação externa. As definições comerciais variam, portanto inspecione o controle real. Defina sucesso e parada: um resultado verificado, uma contagem máxima de passos, erros repetidos ou um orçamento esgotado. Use recursos restritos e permissões mínimas. Autonomia útil significa liberdade dentro dos limites impostos pelo software.

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.

Fluência e verdade são verificadas separadamente

Uma alucinação é um conteúdo não suportado ou incorreto apresentado como resposta. Pode surgir de falta de informação, ambiguidade ou padrões combinados incorretamente. Peça provas e verifique o documento original, data, unidades e condições. Uma citação real ainda pode não apoiar a afirmação. Use fontes atuais para fatos atuais, uma calculadora para aritmética e “não é possível determinar” quando faltam evidências. Não trate a confiança expressa em prosa como uma probabilidade calibrada.

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. Em telas pequenas, role na horizontal para acompanhar o esquema completo.

Um exemplo completo

Anexe um RAG de política indexada ao agente. Para “Posso retornar após 20 dias?”, recupera a apólice de 14 dias e explica limites sem inventar exceções.

Experimente você mesmo

1. Anexe o RAG e compare a mesma pergunta com e sem evidências disponíveis.
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

O agente usa a política e não observa nenhuma exceção documentada; não muda nem a política nem a ordem. 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

Anexar um RAG não indexado não cria evidências. 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

Mais autonomia sempre dá um resultado melhor?

Não. Também aumenta a margem para erros, custos e ações desnecessárias.

O RAG altera os parâmetros do LLM?

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

Que resultado este exercício deve produzir?

O agente usa a política e não observa nenhuma exceção documentada; não muda nem a política nem a ordem.

Termos para lembrar

• Agente: Um sistema que pode escolher etapas e usar ferramentas para atingir um objetivo.
• Recuperação: Encontrar informações relevantes em fontes acessíveis.
• Aterramento: Fundamentar uma resposta em evidências verificáveis.

Fontes e sua próxima etapa

• LangGraph — Fluxos de trabalho e agentes
• Lewis et al. — Retrieval-Augmented Generation
• Hugging Face — LLM Course

Para preparar: A02 — Seu primeiro agente no aplicativo