LLM105 · Geração aumentada por recuperação (RAG)
Sobre o curso
Construa sistemas de geração aumentada por recuperação que respondem a perguntas com base nos seus próprios documentos, com citações, e meça se a recuperação e as respostas estão realmente corretas.
Para quem é
Desenvolvedores que já trabalham com APIs de LLMs e saídas estruturadas e agora precisam de assistentes apoiados no conhecimento da empresa.
Pré-requisitos
LLM103 e LLM104, ou experiência equivalente com APIs de LLMs, prompts e Python.
O que você será capaz de fazer
- Projetar um pipeline de ingestão que lê, limpa, divide em trechos e indexa documentos de negócio com metadados
- Implementar recuperação densa, por palavras-chave e híbrida, com reranqueamento opcional, e compará-las por recall@k
- Gerar respostas fundamentadas, com citação das fontes e uma resposta padrão clara quando os documentos não trazem a informação
- Avaliar um sistema de RAG em um conjunto de perguntas quanto à qualidade da recuperação, fidelidade e correção das respostas
Aulas
- Aula 1 · Arquitetura de RAG e ingestão de documentos
- Aula 2 · Embeddings, busca e reranqueamento
- Aula 3 · Respostas fundamentadas, citações e avaliação
- Aula 4 · Laboratório e atividade
Laboratório: Um assistente de perguntas e respostas com citações sobre o manual da empresa
Você vai indexar um manual de exemplo de colaboradores e atendimento, construir recuperadores denso, por palavras-chave e híbrido e gerar respostas que citam exatamente as seções usadas. Depois, vai medir o recall da recuperação e a fidelidade das respostas em 25 perguntas com respostas conhecidas.
Ferramentas gratuitas: Google Colab, sentence-transformers, ChromaDB (local), rank-bm25 e o nível gratuito da API Gemini ou um modelo local pelo Ollama
Atividade avaliada
Construa um assistente de RAG para uma pequena administradora de imóveis que responda a dúvidas de inquilinos e da equipe com base nos modelos de contrato de locação, nas políticas de manutenção e nas perguntas frequentes. Documente as escolhas de divisão em trechos, a comparação de recuperadores e o prompt. Informe o recall@5, a proporção de respostas totalmente sustentadas pelas citações e como o sistema se comporta em pelo menos cinco perguntas cujas respostas não estão nos documentos. Termine com uma página listando as três melhorias mais importantes que você faria em seguida.
| Critério | Peso | Como é um trabalho excelente |
|---|---|---|
| Ingestão e divisão em trechos | 20% | Documentos limpos e divididos com tamanhos justificados e metadados úteis; tabelas e títulos não são quebrados sem cuidado. |
| Qualidade da recuperação | 30% | Pelo menos dois recuperadores comparados por recall@5, com a escolha final justificada. |
| Geração fundamentada | 25% | As respostas citam as fontes, ficam dentro do texto recuperado e usam a resposta padrão corretamente em perguntas sem resposta. |
| Avaliação e próximos passos | 25% | Fidelidade e correção medidas em um conjunto realista de perguntas, com análise honesta das falhas e melhorias priorizadas. |
Peça de portfólio
Um assistente de RAG funcionando e avaliado, com divisão em trechos documentada, comparação de recuperadores e respostas fundamentadas e citadas.
Próximo passo
Continue com LLM106 · Construção de agentes de IA com ferramentas · 8 horas · R$ 80,00
Conteúdo do curso
LLM105 · Geração aumentada por recuperação (RAG) (8 h)
-
Aula 1 · Arquitetura de RAG e ingestão de documentos
-
Aula 2 · Embeddings, busca e reranqueamento
-
Aula 3 · Respostas fundamentadas, citações e avaliação
-
Aula 4 · Laboratório e atividade
-
LLM105 Avaliação · Geração aumentada por recuperação (RAG)