← Voltar para o Dia 4: RAG: finalmente

Metadata Filtering

O que é

Metadata Filtering é o uso dos metadados associados aos chunks para restringir quais informações podem ser consideradas durante o Retrieval.

Enquanto a busca vetorial pergunta:

"Quais conteúdos são semanticamente semelhantes à minha pergunta?"

o Metadata Filtering pode acrescentar:

"Quais conteúdos podem ser considerados antes mesmo de avaliar a similaridade?"

Os metadados podem representar características como:

documento
página
seção
categoria
autor
departamento
idioma
data
versão
permissão de acesso

Por exemplo, um chunk pode possuir:

Conteúdo:
"Funcionários devem solicitar férias com 30 dias de antecedência."

Metadata:
{
  "documento": "politica_ferias.pdf",
  "departamento": "RH",
  "ano": 2026,
  "idioma": "pt-BR"
}

O filtro permite selecionar apenas chunks que atendam a determinadas condições.

Como funciona

Imagine uma base com políticas de uma empresa de vários anos:

Política de férias 2024
Política de férias 2025
Política de férias 2026
Política de benefícios 2026
Política de viagens 2026

O usuário pergunta:

"Qual é a política de férias vigente em 2026?"

Uma busca puramente semântica poderia encontrar documentos de 2024, 2025 e 2026, porque todos tratam de férias.

Podemos utilizar metadata filtering para restringir a busca:

Filtro:
categoria = "férias"
ano = 2026

Somente depois disso o sistema realiza a busca entre os documentos permitidos:

Base de conhecimento
        ↓
Metadata Filtering
        ↓
Documentos de férias de 2026
        ↓
Busca semântica
        ↓
Resultados relevantes
        ↓
LLM

Em algumas arquiteturas, o filtro pode ser aplicado antes ou durante a busca vetorial, dependendo da tecnologia utilizada e de como os índices foram configurados.

O ponto principal é que o filtro atua como uma restrição estruturada, enquanto a busca vetorial atua como um critério de relevância semântica.

Isso permite combinar os dois:

Consulta
   ↓
┌──────────────────────────────┐
│ Metadata Filtering            │
│ ano = 2026                   │
│ departamento = RH            │
└──────────────┬───────────────┘
               ↓
       Conjunto permitido
               ↓
      Vector / Keyword Search
               ↓
         Top-K resultados
               ↓
              LLM

Um exemplo

Imagine que uma empresa tenha documentos de diferentes departamentos e anos.

Cada chunk possui metadados:

Chunk 1
departamento = RH
ano = 2025
categoria = férias

Chunk 2
departamento = RH
ano = 2026
categoria = férias

Chunk 3
departamento = Financeiro
ano = 2026
categoria = reembolso

Chunk 4
departamento = RH
ano = 2026
categoria = benefícios

O usuário pergunta:

"Quantos dias de antecedência preciso para solicitar férias?"

Sem filtro, o sistema poderia pesquisar em todos os chunks.

Com Metadata Filtering:

departamento = RH
categoria = férias
ano = 2026

A busca fica restrita ao Chunk 2.

Depois, a similaridade semântica determina se aquele chunk realmente responde à pergunta.

O resultado é:

Metadata Filter
      ↓
Candidatos relevantes
      ↓
Semantic Search
      ↓
Melhores chunks
      ↓
LLM

Esse mecanismo também pode ser usado para controle de acesso.

Por exemplo:

usuário = funcionário
departamento = Financeiro

O sistema poderia restringir a busca aos documentos que aquele usuário tem permissão para consultar.

Nesse caso, o Metadata Filtering deixa de ser apenas uma otimização de busca e passa a participar da segurança do sistema.

Ainda assim, filtros de metadados não devem ser considerados, sozinhos, um mecanismo completo de autorização. O controle de acesso precisa estar corretamente implementado na aplicação e na infraestrutura.

Por que é importante

Metadata Filtering é importante porque permite combinar relevância semântica com restrições estruturadas.

A diferença pode ser resumida assim:

Isso é especialmente útil quando a base contém muitos documentos semelhantes.

Por exemplo, uma pergunta sobre:

"política de férias"

pode encontrar dezenas de documentos semanticamente relacionados.

Mas se sabemos que precisamos de:

ano = 2026
departamento = RH
idioma = pt-BR

podemos eliminar grande parte dos candidatos antes ou durante a busca.

Em sistemas RAG, isso pode trazer três benefícios importantes:

Precisão: reduz resultados semanticamente parecidos, mas inadequados.

Eficiência: diminui o conjunto de informações que precisa ser pesquisado.

Controle: permite restringir resultados por características estruturadas, como data, categoria, departamento ou versão.

Podemos visualizar a combinação com os conceitos estudados:

                 Pergunta
                    ↓
          Metadata Filtering
                    ↓
          ┌─────────┴─────────┐
          ↓                   ↓
  Dense Retrieval      Sparse Retrieval
          └─────────┬─────────┘
                    ↓
              Ranking / Top-K
                    ↓
                 Contexto
                    ↓
                   LLM

A ideia central é: Metadata Filtering utiliza informações estruturadas associadas aos chunks para restringir e orientar o Retrieval, permitindo combinar filtros objetivos com busca por relevância.

link de compartilhamento