Trilha 03 · 12 aulas · 9 em vídeo
RAG e contexto
Dar ao modelo a informação certa na hora certa: embeddings, busca, busca híbrida, reranking, chunking e conversas longas que não apodrecem.
- 01Fundamento▶ 8 minEmbeddingsTexto virando vetor: o que a similaridade captura e onde ela engana.
- 02Padrão▶ 9 minGeração Aumentada por Busca (RAG)Buscar trechos relevantes e entregar ao modelo junto com a pergunta.
- 03Smell▶ 8 minRAG DesnecessárioUm pipeline de busca vetorial para 20 páginas que cabem inteiras no contexto.
- 04Refatoração▶ 8 minTrocar RAG por Contexto DiretoQuando o material cabe na janela, mandar inteiro e usar cache de prompt.
- 05Padrão▶ 8 minChunking com ContextoCortar documentos respeitando a estrutura e anexar a cada pedaço o contexto de onde ele veio.
- 06PadrãoBusca HíbridaCombinar busca por palavra-chave e busca vetorial para não perder nem sinônimos nem códigos exatos.
- 07PadrãoReordenaçãoBuscar muitos candidatos e usar um modelo mais preciso para escolher os melhores.
- 08PadrãoReescrita de ConsultaTransformar a pergunta do usuário em uma ou mais buscas melhores.
- 09Smell▶ 8 minContexto PodreA conversa longa carrega histórico velho que confunde o modelo e encarece cada turno.
- 10Refatoração▶ 9 minTrocar Histórico por ResumoSubstituir turnos antigos por um resumo e por fatos guardados fora do contexto.
- 11Padrão▶ 8 minCompactação de ContextoResumir ou podar o contexto quando ele cresce, mantendo o que importa.
- 12Cenário real▶ 9 minChat com a base de conhecimento internaResponder perguntas de funcionários com base em wikis, políticas e manuais.
- Projeto finalLangGraph LabChat de conhecimento internoUm chat que responde dúvidas da empresa com a fonte, sem vazar o que não devia.