RAG, ou Retrieval-Augmented Generation, é a técnica que permite a um modelo de linguagem consultar fontes externas em tempo real antes de gerar uma resposta, em vez de depender apenas do conhecimento fixado durante o seu treino.
Definição abrangente
Um LLM tradicional responde com base apenas no que aprendeu durante o treino, que tem uma data de corte e pode conter informação desatualizada. Com RAG, o sistema primeiro pesquisa informação relevante e atual, seja num índice de páginas web ou numa base de dados própria, e depois usa esses resultados como contexto para construir a resposta final. É exatamente este mecanismo que permite a ferramentas como as AI Overviews da Google ou a pesquisa do ChatGPT citar fontes concretas e recentes em vez de inventar respostas com base apenas em memória de treino.
Informação relevante e com maior detalhe
Porque é que compreender RAG é essencial para GEO:
Explica porque a citabilidade importa: se o teu conteúdo não é facilmente recuperável e compreendido pelo sistema de pesquisa que alimenta o RAG, nunca chega a ser considerado como fonte para a resposta gerada;
Reduz alucinações, mas não as elimina: ao basear-se em fontes reais, o RAG torna as respostas mais fiáveis do que um modelo puro, mas erros de interpretação das fontes recuperadas continuam a poder acontecer;
Conteúdo claro e bem estruturado tem vantagem: passagens de texto diretas, com factos isolados e fáceis de extrair, são mais úteis a um sistema RAG do que texto vago espalhado por parágrafos longos;
Está diretamente ligado ao Passage Ranking: ambos os conceitos partilham a ideia de que o motor de pesquisa avalia e recupera excertos específicos de uma página, não apenas a página como um todo.
Artigos de blog relacionados:
Partilha este conteúdo: