Você tem anos de carreira espalhados em e-mails, PDFs, pareceres, atas, notas e referências salvas para depois. Esse acervo só ajuda quando você consegue encontrar a fonte certa, conferir o que ela diz e usá-la no trabalho atual.
Este módulo não exige banco vetorial, programação ou uma nova ferramenta. Ele ensina a preparar fontes próprias e recuperar contexto de forma proporcional ao seu caso.
Três coisas que costumam receber o mesmo nome
Há três práticas diferentes.
- Contexto curado: você escolhe os documentos relevantes e os entrega ao agente para uma tarefa específica.
- Recuperação assistida: você busca no vault, nas pastas ou em fontes permitidas, localiza os trechos e pede que o agente trabalhe com eles.
- Recuperação técnica automatizada: um sistema indexa muitos documentos e escolhe trechos dinamicamente antes de cada resposta. Essa arquitetura pode usar busca semântica e banco vetorial, mas não é o ponto de partida desta trilha.
As duas primeiras já resolvem grande parte do trabalho de profissionais que precisam recuperar decisões, referências, versões e histórico de clientes. A terceira só faz sentido quando há volume, recorrência e dificuldade de busca que não se resolvem com organização, nomenclatura e fontes bem delimitadas.
Defina a fonte antes da ferramenta
Antes de perguntar como a IA encontrará os documentos, responda:
- qual fonte sustenta a resposta
- quem atualiza essa fonte
- quem pode acessá-la
- qual versão vale quando duas informações divergem
- como outra pessoa confere o trecho usado
Sem essas respostas, automatizar a recuperação apenas acelera a confusão.
Como preparar uma base pequena e útil
Comece por uma pasta ou conjunto de notas que trate de uma pergunta recorrente e não contenha dados que você não está autorizado a processar.
Para cada documento, registre o título, a origem, a data, a versão e o responsável. Dê nomes que permitam localizar o material sem depender da memória. Quando uma informação ainda é hipótese, nota de trabalho ou exceção, mantenha esse estado explícito.
Depois faça uma pergunta concreta. Em vez de perguntar “o que você sabe sobre este tema?”, peça: “use somente estas fontes, aponte os trechos que sustentam a resposta e diga o que não aparece nelas”.
O ganho não está em fazer a IA parecer onisciente. Está em tornar a resposta conferível.
Quando uma camada técnica passa a fazer sentido
Uma arquitetura de recuperação automatizada pode entrar quando você já tem uma base organizada e ainda enfrenta um problema verificável: muitas fontes relevantes, perguntas repetidas, busca lenta, várias pessoas autorizadas ou necessidade de recuperar trechos com frequência.
Mesmo nesse estágio, ela não substitui a fonte original, a permissão, a atualização nem a revisão humana. Ela apenas ajuda a encontrar material candidato para conferência.
O exercício deste módulo
- Escolha cinco documentos permitidos sobre uma única pergunta recorrente.
- Registre origem, data, versão e acesso de cada um.
- Faça uma pergunta que dependa dessas fontes.
- Peça que a resposta indique de onde veio cada afirmação e que declare qualquer lacuna.
- Confira os trechos no documento original antes de usar a resposta.
Ao final, você terá uma primeira prática de recuperação de contexto. Se ela já resolver o seu problema, não adicione complexidade. Se a busca continuar lenta e recorrente, você terá uma razão concreta para avaliar uma camada técnica depois.
Quando a Mentoria faz sentido
Você pode executar esse exercício sozinho. Na Mentoria em IA para Negócios, eu ensino a lógica e converso com você sobre possibilidades e casos de uso do seu negócio. No formato atual, são quatro sessões online de duas horas.
A Mentoria não inclui diagnóstico formal, consultoria, projeto, desenho técnico, configuração, integração, implantação, acesso ao ambiente ou manipulação do acervo. A decisão e a execução permanecem com você e com os profissionais autorizados pelo seu negócio.
Conhecer a Mentoria em IA para Negócios
Conhecer a Mentoria pelo WhatsApp
Glossário deste módulo
Os termos que este módulo coloca em uso. Definições completas no glossário da trilha.
Termos centrais deste módulo
- RAG Local : uma arquitetura que recupera trechos antes de gerar a resposta.
- Embeddings : um mecanismo possível para recuperar trechos por proximidade semântica.
Termos de apoio (definidos em outros módulos, usados aqui)
- Alucinação : um risco que a recuperação não elimina, Módulo 5.
- Fonte da Verdade : o que a biblioteca validada passa a ser, Módulo 2.
- Segundo Cérebro : a base que o RAG lê, Módulo 2.
- Inferência Local : uma parte possível de uma arquitetura inteiramente local, Módulo 8.
- Ollama : um runtime que pode atender o modelo usado na resposta, Módulo 8.