Buscar o trecho certo antes de gerar: chunking, embedding, índice e reranking.
RAG resolve um problema de FATO, não de comportamento: o modelo não sabe o que está no seu banco. A qualidade da resposta é decidida na recuperação, não na geração — e é por isso que a maior parte do trabalho é chunking, escolha de índice, busca híbrida e reranking. Quem começa ajustando o prompt de geração está mexendo na última etapa de uma fila.
Agrupados pela trilha de origem — o tema atravessa 16 trilhas.
As consultas de maior intenção deste tema, respondidas aqui.
RAG quando o problema é FATO — o modelo não sabe o que está no seu banco. Fine-tuning quando o problema é COMPORTAMENTO: formato de saída, tom, convenção de domínio. A confusão custa caro nas duas direções: fine-tuning não resolve falta de conhecimento, e RAG não conserta um modelo que responde no formato errado.
Contexto grande basta quando o material é pequeno, estável e cabe inteiro — jogar tudo na janela é mais simples e não tem etapa de recuperação para errar. RAG passa a valer quando o acervo não cabe, muda com frequência ou precisa de rastro da fonte. O contrapeso é o custo: contexto grande é reenviado a cada chamada e vira o maior item da conta de entrada.
As duas, na maioria dos casos reais. A busca vetorial acha o que significa a mesma coisa com outras palavras; a busca léxica acha o termo exato — nome de produto, código de erro, sigla — que o vetor costuma perder. Busca híbrida com reordenação é o padrão porque cada uma falha onde a outra acerta, e a qualidade da resposta é decidida na recuperação, não na geração.