Use keyword quando…
Quer o documento específico. Sabe o número do contrato, nome do projeto, SKU. Busca exata é mais rápida e mais barata.
Guia • RAG vs Busca Corporativa
Por que busca por palavra-chave deixou de ser suficiente.
Você não busca "manual_v3_final_USAR_ESTE.pdf" — você pergunta "como faço para abrir uma exceção de crédito acima de 500k?". A busca tradicional não responde isso. RAG (Retrieval-Augmented Generation) responde, e ainda mostra de onde tirou.
Lado a lado: o que cada um entrega.
Não é "novo é melhor que velho". É reconhecer que palavra-chave e busca semântica resolvem problemas diferentes — e empresas precisam dos dois.
| Busca tradicional (keyword) | RAG (busca semântica + LLM) | |
|---|---|---|
| Entrada | Palavras exatas; operadores booleanos. | Pergunta em linguagem natural. |
| O que recupera | Documentos cujo texto contém as palavras. | Trechos com intenção semelhante, mesmo sem palavras iguais. |
| O que devolve | Lista de links. | Resposta sintetizada citando fonte original. |
| Forças | Rápido. Determinístico. Bom para nomes próprios e códigos. | Lida com sinônimos, paráfrases, intenções implícitas. |
| Fraquezas | Não entende "como faço" sem você saber o termo. | Pode alucinar se mal calibrado; precisa de citação obrigatória. |
| Caso ideal | "Achar o contrato 2024-1182". | "Quais nossas regras para férias coletivas?". |
Como um RAG funciona.
Cinco etapas que acontecem em milissegundos. Entender o que cada uma faz ajuda a avaliar fornecedores — e identificar quem está vendendo "RAG" sem ter RAG.
-
1
Chunking
Documentos são quebrados em pedaços de ~500-1000 tokens com sobreposição.
-
2
Embeddings
Cada chunk vira um vetor de 1536 dimensões via modelo de embedding.
-
3
Indexação
Vetores guardados em
pgvectorcom índice HNSW para busca rápida. -
4
Retrieval
Pergunta também vira vetor. K-NN traz os trechos mais próximos por cosseno.
-
5
Geração com fonte
LLM sintetiza usando apenas os trechos recuperados. Citação obrigatória.
Citação não é detalhe — é o que impede alucinação
Sem citação obrigatória, RAG vira chatbot bonitinho que inventa. A regra é dura: se a LLM não consegue apontar o trecho da fonte que sustenta a frase, a frase não pode aparecer na resposta.
Três técnicas que separam um RAG sério de um RAG de demo:
- Citação por trecho, não por documento. "Manual X, página 12, parágrafo 3" é diferente de "Manual X". O usuário precisa achar o ponto exato.
- Score de confiança exposto. Resposta com 0.42 de cosseno tem cara diferente de resposta com 0.91. O usuário vê o número.
- Handoff explícito. Confiança abaixo do limiar → sistema diz "não sei" e sugere especialista. Não inventa.
"A pergunta certa não é 'sua IA acerta?'. É 'sua IA sabe quando não sabe?'"
Quando usar cada um.
A boa busca corporativa moderna combina os dois. Cada modo tem um caso ideal — e o sistema decide qual rodar com base na pergunta.
Use RAG quando…
Tem uma dúvida, não um arquivo em mente. "Como faço…", "Quais nossas regras para…", "O que decidimos sobre…".
Use híbrido quando…
Pergunta tem termos técnicos + intenção. Sistema roda os dois em paralelo e consolida via re-ranking. É o padrão do Corptex.
Erros comuns ao implantar RAG
- Chunking ruim. Partir documento no meio de uma frase quebra contexto. Sobreposição entre chunks resolve.
- Embedding genérico. Modelo treinado em inglês para documentos em português performa mal. Use modelo multilíngue ou específico de domínio.
- Sem filtro de visibilidade. RAG sem RBAC vaza informação entre setores. Visibilidade tem que ser parte da query, não filtro depois.
- Sem avaliação contínua. Sem golden set de perguntas-resposta, você não sabe se trocou o modelo e piorou.
- Latência ignorada. Embedding síncrono na hora da query mata UX. Pré-computar tudo no ingest.
Outros guias do Corptex
Veja RAG sério em produção.
Mostramos perguntas reais com citação, score de confiança e handoff para especialista quando a base não responde com segurança.