Trilha de RAG: o mapa das aulas
A ordem de estudo das 12 aulas que levam ao RAG, de o que é um LLM até a avaliação de um sistema de geração aumentada por busca.
Publicada em · 3 min de leitura
Esta nota é o mapa da trilha de aulas que leva até o RAG (retrieval-augmented generation, ou geração aumentada por busca). A ideia é a mesma de qualquer escada de aprendizado: a ordem da tabela é a sugerida para quem começa do zero. Cada aula, porém, se sustenta sozinha e lista os seus próprios pré-requisitos no início. Antes de montar um RAG, você precisa entender como um modelo lê texto, como um texto vira vetor, como achar vetores próximos, onde guardá-los e como preparar os documentos. Só então o pipeline completo faz sentido.
As 12 aulas já estão escritas. A ordem da tabela é a ordem de estudo, e a última aula, Avaliação de RAG, traz o mapa de “quando algo dá errado, olhe aqui primeiro”.
Mapa da trilha
| Aula | Nota | Pergunta que responde |
|---|---|---|
| 1 | LLMs | O que é um LLM, como ele lê texto em tokens e por que a janela de contexto limita o que ele sabe na hora de responder? |
| 2 | Prompt e contexto | Como montar o que vai para o modelo para que ele responda bem usando o material que você entregou? |
| 3 | Embeddings | Como transformar um texto em números que carregam significado, de modo que textos parecidos fiquem perto uns dos outros? |
| 4 | Similaridade entre vetores | Como o computador decide que dois vetores são parecidos? |
| 5 | Busca vetorial | Como achar os vetores mais próximos de uma consulta quando existem milhões deles? |
| 6 | Banco de dados vetorial | O que um banco de dados vetorial guarda, como criar um e quando vale usar um em vez de acrescentar uma extensão ao banco que você já tem? |
| 7 | Chunking | Como cortar documentos grandes em pedaços que cabem no contexto e ainda fazem sentido sozinhos? |
| 8 | Ingestão de documentos | Como transformar PDFs, páginas web e notas em pedaços indexados, e como manter isso atualizado? |
| 9 | Busca híbrida | O que fazer quando a busca por significado erra siglas, códigos e nomes próprios? |
| 10 | Reranking | Como melhorar a ordem dos resultados antes de entregá-los ao modelo? |
| 11 | RAG | O que é RAG, como o pipeline completo funciona e onde ele costuma quebrar? |
| 12 | Avaliação de RAG | Como saber se o seu RAG está bom e se uma mudança melhorou ou piorou? |
Como as peças se encaixam
As aulas 1 e 2 explicam o problema: o modelo só enxerga o que cabe no contexto. As aulas 3 a 6 constroem a busca por significado (embeddings, similaridade, índices e o banco vetorial). As aulas 7 e 8 preparam os dados. As aulas 9 e 10 melhoram a qualidade do que a busca devolve. A aula 11 junta tudo e a 12 ensina a medir o resultado.