RAG (Retrieval Augmented Generation)
O que é RAG, como funciona e por que é essencial para IA com dados atualizados. Geração Aumentada por Recuperação explicada.
RAG (Retrieval Augmented Generation)
RAG (Retrieval Augmented Generation ou Geração Aumentada por Recuperação) é uma técnica que combina busca de informações com geração de texto por IA.
Em vez de depender apenas do conhecimento interno do modelo, RAG busca dados relevantes em fontes externas antes de gerar uma resposta.
1. Usuário faz pergunta
↓
2. Sistema busca documentos relevantes (recuperação)
↓
3. Documentos encontrados são adicionados ao contexto
↓
4. LLM gera resposta baseada nos documentos (geração)
↓
5. Resposta com informações atualizadas e precisas
Sem RAG:
Pergunta: “Qual o preço do produto X?” Resposta: “Não tenho informações sobre preços atuais.”
Com RAG:
Pergunta: “Qual o preço do produto X?” Sistema: busca na base de dados da empresa Resposta: “O produto X custa R$299,90. Está com 15% de desconto até sexta-feira.”
| Problema sem RAG | Solução com RAG |
|---|---|
| Dados desatualizados | Busca em tempo real |
| Alucinações | Resposta baseada em documentos |
| Genérico demais | Específico para seu negócio |
| Sem fonte | Pode citar referências |
- Indexador: Processa e armazena documentos
- Vetorizador: Transforma texto em representações numéricas
- Banco vetorial: Armazena e busca por similaridade
- Retriever: Encontra documentos relevantes
- LLM: Gera resposta final
O OpenClaw usa RAG para:
- Acessar seus arquivos e documentos
- Buscar em bases de conhecimento
- Consultar histórico de conversas
- Integrar com APIs externas
Exemplo:
Você: "Resuma o contrato que recebi ontem"
OpenClaw: *busca emails recentes* → *encontra PDF* → *lê e resume*
✅ Ideal para:
- Chatbots com conhecimento específico
- Suporte ao cliente com FAQ atualizado
- Assistentes com acesso a documentos
- Sistemas que precisam de dados em tempo real
❌ Não necessário para:
- Perguntas de conhecimento geral
- Geração criativa pura
- Tarefas simples de texto
Veja também: