RAG: ingestão, busca e reranking
Recuperar evidência autorizada e mensurar cada estágio antes de gerar. - Capítulo: RAG como pipeline de evidência Aplicação: Caderno de campo operacional.
Conhecimento recuperável: RAG como pipeline de evidência
RAG não é simplesmente anexar arquivos a um modelo. É um pipeline que transforma fontes governadas em trechos recuperáveis, filtra o que a identidade pode acessar, ordena candidatos e oferece contexto localizável para uma resposta. A OS 742 mostra corpus, ingestão, parsing, chunking, embeddings, índices, busca lexical, vetorial e híbrida, reranking, citações, atualização e avaliação. O capítulo separa RAG de fine-tuning, memória e busca web; explica por que recuperação e geração devem ser avaliadas separadamente; e trata versões revogadas, permissões e prompt injection em documentos. O objetivo é produzir evidência verificável, não uma resposta apenas convincente.
Laboratório RAG: depurar recuperação por estágio
Este laboratório monta um recuperador RAG pequeno e determinístico para o sistema de manutenção. Um único programa Python cria corpus sintético, aplica parsing já controlado, filtros de tenant, ACL, revogação e confiança, calcula busca lexical e vetorial didática, combina rankings, reranqueia e emite citações. O painel separa recall@k, precisão de citação, freshness e recuperação vazia. Cinco mutações provocam OCR quebrado, chunk sem título, versão revogada, prompt injection promovida e vazamento entre tenants. Uma demonstração adicional troca o alias para um índice defeituoso e executa rollback. O resultado é um pacote reproduzível que ensina diagnóstico por estágio sem depender de API, segredo ou modelo externo.