← Voltar para o Plano de estudos: 10 dias de imersão em GenAI
Dia 4: RAG: finalmente
Aqui começa a parte que provavelmente terá maior retorno para oportunidades de mercado.
RAG = Retrieval-Augmented Generation
A ideia básica é:
Usuário
↓
Pergunta
↓
Retrieval
↓
Documentos relevantes
↓
Contexto
↓
LLM
↓
Resposta
Ou:
Retrieve → Augment → Generate
Esse é o pipeline básico descrito também pela documentação do Google. Google Codelabs
Mas NÃO pare aí.
Você precisa estudar o RAG em camadas:
1. Ingestion
Como os dados entram?
PDF
DOCX
HTML
Banco de dados
Website
↓
Parsing
↓
Cleaning
↓
Chunking
2. Chunking
Estude:
3. Embeddings
chunk
↓
embedding model
↓
vector
4. Indexing
Onde armazenamos os vetores?
Pesquise:
Para seu primeiro projeto, eu escolheria Chroma ou FAISS, porque você quer entender o conceito antes de entrar em infraestrutura.
5. Retrieval
Pesquise:
6. Reranking
Esse termo é importante.
Imagine:
100 documentos
↓
retrieval
↓
20 candidatos
↓
reranker
↓
5 melhores
↓
LLM
Isso é muito mais próximo de um sistema RAG real.
7. Generation
Finalmente:
Contexto recuperado
+
Pergunta
+
Instructions
↓
LLM