# RAG: o que é a técnica que põe a IA a consultar fontes antes de responder e porque não acaba com os erros

> Quando um assistente mostra as fontes ao lado da resposta, ou responde só a partir dos teus PDF, está quase sempre a usar geração aumentada por recuperação. Reduz as respostas inventadas, mas tem pontos fracos que convém conhecer.

- Publicação: MEGAzine (https://megazine.pt/)
- Endereço: https://megazine.pt/inteligencia-artificial/rag-o-que-e-a-tecnica-que-poe-a-ia-a-consultar-fontes-antes-de-responder-e
- Categoria: Inteligência Artificial
- Formato: Explicador
- Autoria: Fernanda M. Reis
- Publicado: 20 de novembro de 2026
- Etiquetas: RAG, Modelos de linguagem, Alucinações, Explicador

## Em resumo

- A geração aumentada por recuperação (RAG) vai buscar excertos de documentos e entrega-os ao modelo antes de ele responder.
- A técnica foi formalizada em 2020 por investigadores do Facebook AI Research, da University College London e da Universidade de Nova Iorque.
- Está por trás da pesquisa na web dos assistentes, das respostas com base em ficheiros e de muitos assistentes de empresas.
- Continua a falhar quando a pesquisa traz os documentos errados, quando a fonte está errada ou quando o modelo lê mal o que recebeu.
- Estudos mostram que a posição da informação no meio do texto entregue ao modelo pesa na qualidade da resposta.

Quando um assistente de IA mostra as fontes ao lado da resposta, ou responde só com base nos PDF que lhe deste, está quase sempre a usar geração aumentada por recuperação, mais conhecida pela sigla inglesa RAG. A técnica reduz as respostas inventadas, mas não as elimina, e perceber porquê ajuda a confiar menos às cegas.

Um modelo de linguagem, sozinho, responde com o que aprendeu no treino. Esse conhecimento fica guardado nos parâmetros do modelo, tem data de validade e não diz de onde veio. Quando falta informação, o modelo tende a completar o texto com algo plausível, as chamadas alucinações.

## Como funciona

A ideia foi formalizada em 2020 por uma equipa do Facebook AI Research, da University College London e da Universidade de Nova Iorque, liderada por Patrick Lewis, num [artigo científico](https://arxiv.org/abs/2005.11401) que deu o nome à técnica. Os autores notavam que a capacidade destes modelos para «aceder e manipular com precisão o conhecimento é ainda limitada» e que indicar a origem das respostas e atualizar o que sabem eram problemas por resolver (tradução do MEGAzine).

O sistema começa por transformar a pergunta numa pesquisa e vai buscar a uma base de documentos, que pode ser a web, o arquivo de uma empresa ou os ficheiros que carregaste, os excertos que parecem mais relevantes. Junta-os depois à pergunta e entrega tudo ao modelo, com instruções para responder a partir deles. Em muitos casos, o modelo tem também de indicar de onde tirou cada parte.

Para encontrar esses excertos, usa-se muitas vezes uma pesquisa por significado, em que perguntas e textos são convertidos em sequências de números, de forma a que «ataque cardíaco» e «enfarte do miocárdio» fiquem perto um do outro. Foi esse tipo de problema que uma equipa com a Universidade de Évora atacou com [um sistema para perguntas de saúde](https://megazine.pt/inteligencia-artificial/universidade-de-evora-ajuda-a-criar-ia-que-vai-buscar-as-respostas-de-saude-aos), que acrescenta sinónimos médicos antes de pesquisar.

É o mecanismo por trás da pesquisa na web do ChatGPT, do Gemini ou do Perplexity, das respostas do NotebookLM a partir dos documentos do utilizador e de muitos assistentes de empresas ligados a manuais internos ou ao apoio ao cliente, e permite atualizar a informação sem voltar a treinar o modelo, o que é mais rápido e mais barato.

## Porque continua a errar

O primeiro ponto fraco é a pesquisa, porque se os documentos encontrados forem os errados, estiverem desatualizados ou disserem coisas falsas, o modelo responde com confiança a partir deles, e a fonte citada dá à resposta um ar de rigor que ela não tem.

O segundo está na leitura. Um estudo liderado por investigadores da Universidade de Stanford e divulgado em 2023, «[Lost in the Middle](https://arxiv.org/abs/2307.03172)», mostrou que os modelos usam melhor a informação que aparece no início ou no fim do texto que recebem e falham mais quando a resposta está no meio, mesmo os que aceitam textos muito longos. A equipa de Évora chegou a uma conclusão parecida na saúde, onde a ordem dos excertos mexeu na qualidade das respostas.

Há ainda casos em que o modelo cita um documento que não diz o que a resposta afirma, ou mistura o que leu com o que já sabia do treino. Por isso, em temas de saúde, dinheiro ou direito, vale a pena abrir a ligação citada e confirmar a frase.

Quando uma empresa liga um assistente aos seus documentos, os excertos escolhidos são enviados ao modelo a cada pergunta, e se tiverem dados pessoais esse tratamento fica sujeito ao RGPD, incluindo o que o fornecedor do modelo faz com eles.
