Curso
RAG em produção
Faça um modelo responder com base nos seus próprios documentos sem inventar: segmentação, embeddings, banco de dados vetorial, reranking e avaliação das respostas.
Avançado 8 lições
As lições
- 1 Por que o RAG Você saberá identificar os problemas que um sistema RAG realmente resolve, aqueles que ele nunca resolverá e onde está a causa dominante de suas falhas.
- 2 Dividir os documentos Você saberá escolher uma estratégia de divisão adequada aos seus documentos, lidar com tabelas e código e medir o efeito da divisão sobre o recall.
- 3 Embeddings e similaridade Você saberá escolher um modelo de embedding adequado ao seu corpus, entender o que a similaridade de cosseno mede e evitar as armadilhas do multilinguismo e dos textos muito curtos.
- 4 Banco vetorial Você saberá decidir entre pgvector, índice em memória e serviço dedicado, ajustar uma indexação aproximada e projetar metadados utilizáveis para filtragem.
- 5 Busca híbrida Você aprenderá a combinar BM25 e busca vetorial por fusão de ranqueamentos, a adicionar um modelo de reranqueamento e a medir o ganho real de cada etapa.
- 6 Construir o prompt Você aprenderá a estruturar um prompt de RAG que impõe a citação, recusa responder fora do contexto e explora a ordem dos trechos na janela de contexto.
- 7 Avaliar as respostas Você saberá construir um conjunto de perguntas de referência, medir separadamente o recall da recuperação e a qualidade das respostas, e detectar afirmações sem respaldo.
- 8 Colocação em produção Você saberá calcular o custo por requisição, usar cache nos lugares certos, reindexar de forma incremental, remover um documento corretamente e monitorar o sistema em operação.