---
title: "RAG em árabe: normalização, chunking e embeddings | BroadRouter"
description: "RAG sobre documentos em árabe: normalize alef, ya e ta marbuta, divida em chunks com critério, escolha embeddings multilíngues e adicione busca por palavra-chave."
url: https://broadrouter.com/pt/blog/arabic-rag-search/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/arabic-rag-search/) (atualizado em 2026-11-14).

# RAG em árabe: normalização, chunking e retrieval que funcionam

Pela equipe da BroadNet Inference · 6 min de leitura · Publicado em 2026-11-14

RAG em árabe funciona quando você normaliza o texto antes de indexar (unifica as formas de alef, ya e alef maqsura, ta marbuta, remove diacríticos e tatweel), divide em chunks por parágrafo, combina um modelo de embeddings multilíngue com busca por palavra-chave e deixa um LLM de contexto longo responder a partir dos trechos recuperados, com citações. Aplique a mesma normalização às consultas.

## Pontos principais

-   Normalize documentos e consultas do mesmo jeito: أ/إ/آ para ا, ى para ي, ة para ه, sem diacríticos, sem tatweel.
-   Guarde o texto original para exibição; indexe a cópia normalizada.
-   Combine busca por palavra-chave com um analyzer de árabe e embeddings multilíngues, depois compare a busca híbrida com cada uma isolada nas suas consultas.
-   Escolha um modelo de embeddings multilíngue que você testou com consultas em árabe. A BroadNet Inference não oferece endpoint de embeddings.
-   Modelos de contexto longo permitem recuperar com folga: DeepSeek V4.1 Flash e GLM 5.3 aceitam 1.048.576 tokens.

**Nesta página**

1.  Como é um pipeline de RAG em árabe?
2.  Como normalizar texto árabe para busca?
3.  Como dividir documentos em árabe em chunks?
4.  Por que combinar busca por palavra-chave e embeddings?
5.  Como gerar respostas com citações?
6.  Como avaliar um RAG em árabe?

_[image: A man speaking into a microphone beside the Arabic word "حوار" (conversation), with the text "Conversations, ready to search."]_

Para fazer a [retrieval-augmented generation](https://broadrouter.com/pt/glossary/rag/) (RAG) funcionar em árabe, normalize documentos e consultas com as mesmas regras de grafia, divida em chunks por parágrafo, busque tanto com um analyzer de palavras-chave para árabe quanto com um modelo de embeddings multilíngue, e faça o LLM responder apenas a partir dos trechos recuperados, com citações.

O padrão, do [artigo original sobre RAG](https://arxiv.org/abs/2005.11401), é recuperar e depois gerar. A maioria das falhas de RAG em árabe acontece na primeira metade. O usuário digita “الفاتوره” e o índice tem “الفاتورة”; uma política diz “إلغاء” e o usuário escreve “الغاء”; o modelo de embeddings foi treinado principalmente em inglês. Conserte o retrieval e a parte do LLM tende a se resolver sozinha.

## Como é um pipeline de RAG em árabe?

1.  **Extraia** o texto de PDFs, páginas web e artigos da central de ajuda. Para PDFs em árabe escaneados, veja [OCR de árabe vs LLMs com visão](https://broadrouter.com/pt/blog/arabic-ocr-vision-llm/).
2.  **Normalize** uma cópia do texto para indexação.
3.  **Divida em chunks** pela estrutura: títulos e parágrafos.
4.  **Indexe** duas vezes: um índice de palavras-chave e um índice vetorial.
5.  **Recupere** dos dois com a consulta normalizada, junte e reordene.
6.  **Gere** uma resposta a partir dos melhores trechos, citando-os.

## Como normalizar texto árabe para busca?

O árabe permite várias grafias da mesma palavra, e os usuários raramente digitam diacríticos ou hamza de forma consistente. Normalize a cópia indexada e todas as consultas com a mesma função:

| Regra | Caracteres | Por quê |
| --- | --- | --- |
| Unificar alef | أ إ آ ٱ → ا | A hamza costuma ser omitida na digitação |
| Alef maqsura | ى → ي | Comum na digitação egípcia e na grafia descuidada |
| Ta marbuta | ة → ه | Os usuários digitam ه no fim da palavra |
| Remover diacríticos | U+064B a U+0652, U+0670 | A maioria dos textos e consultas não tem vogais marcadas |
| Remover tatweel | ـ (U+0640) | Alongamento decorativo |
| Dígitos | ٠–٩ → 0–9 | Casar números nas duas formas |

Teste cada opção no seu texto com o [normalizador de texto árabe](https://broadrouter.com/tools/arabic-text-normalizer/), que também gera uma função Python equivalente.

```python
import re

_DIAC = re.compile(r"[ً-ْٰ]")

def normalise(text: str) -> str:
    text = _DIAC.sub("", text).replace("ـ", "")
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    return text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
```

Os code points estão na [tabela Unicode do árabe](https://www.unicode.org/charts/PDF/U0600.pdf). Dois cuidados:

-   **Nunca exiba o texto normalizado.** Guarde o original ao lado e use o original para exibir, citar e enviar ao LLM. Árabe normalizado parece escrito errado para quem lê.
-   **Algumas unificações perdem sentido.** ة → ه junta alguns pares de palavras, e ى → ي junta “على” (sobre) com “علي” (Ali). Para o recall da busca, a troca costuma valer a pena; teste com suas consultas.

As mesmas regras são centrais para [medir a precisão do reconhecimento de fala em árabe](https://broadrouter.com/pt/blog/arabic-asr-wer-explained/), então você pode reaproveitar uma única função em toda a sua stack.

## Como dividir documentos em árabe em chunks?

-   **Divida pela estrutura.** Títulos, artigos numerados em contratos (المادة ١، المادة ٢) e quebras de parágrafo são limites naturais.
-   **Algumas centenas de palavras por chunk,** com uma ou duas frases de sobreposição. As palavras árabes carregam mais morfemas que as inglesas, então um chunk cobre mais sentido por palavra do que o tamanho sugere.
-   **Limites de frase:** divida em . ؟ ! e na vírgula árabe ، só em último caso. Muitos textos árabes usam frases longas unidas por و, então dividir por parágrafo é mais seguro.
-   **Leve o contexto junto.** Coloque antes de cada chunk o título do documento e o título da seção, em árabe, para que um chunk que diz “تُطبَّق هذه الرسوم” (estas tarifas se aplicam) ainda diga quais tarifas.

A [calculadora de chunking para RAG](https://broadrouter.com/tools/rag-chunking-calculator/) transforma tamanho de chunk, sobreposição e top-k em número de chunks, tokens por consulta e custo mensal.

## Por que combinar busca por palavra-chave e embeddings?

### Busca por palavra-chave

A morfologia árabe derruba a correspondência ingênua por palavra-chave: كتاب, الكتاب, بالكتاب, وكتابه e كتب estão todas ligadas a “livro”. Use um analyzer que lide com árabe. O Elasticsearch traz um [language analyzer para árabe](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html) que encadeia stop words árabes, normalização de dígitos, normalização árabe e um stemmer árabe, para que formas com prefixo como الكتاب e وكتاب casem com mais frequência. Verifique o que ele junta no seu vocabulário antes de confiar nele.

### Embeddings

[Modelos de embeddings](https://broadrouter.com/pt/glossary/embeddings/) transformam texto em vetores de forma que trechos com sentido parecido fiquem próximos, mesmo sem palavras em comum. Para árabe, escolha um modelo multilíngue e teste:

-   **Prefira modelos treinados em muitos idiomas,** como o [BGE M3](https://arxiv.org/abs/2402.03216), que os autores descrevem como compatível com mais de 100 idiomas de trabalho. Modelos só de inglês geram vetores ruins para árabe.
-   **Teste o retrieval entre idiomas** se os usuários perguntam em inglês sobre documentos em árabe, ou o contrário.
-   **Gere embeddings do texto original ou do normalizado, mas seja consistente** entre documentos e consultas. Teste os dois; o resultado varia por modelo.

A BroadNet Inference não oferece endpoint de embeddings: seus endpoints documentados são chat completions e transcrição de áudio. Use um provedor de embeddings em quem você confia, ou hospede um modelo de embeddings multilíngue aberto com um [banco de dados vetorial](https://broadrouter.com/pt/glossary/vector-database/), e use a BroadNet para a geração. A [calculadora de custo de embeddings](https://broadrouter.com/tools/embedding-cost-calculator/) estima o preço de indexação e consultas entre provedores.

### Juntar e reordenar

Rode as duas buscas, junte os resultados com reciprocal rank fusion (dê a cada documento a soma de 1 / (k + posição) nas listas) e fique com os 10 a 30 melhores trechos. Um reranker ou uma checagem rápida de relevância com um LLM pode cortar ainda mais, mas com modelos de contexto longo muitas vezes dá para pular essa etapa.

## Como gerar respostas com citações?

Passe ao modelo os trechos com ids e peça que responda apenas a partir deles:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def answer(question: str, passages: list[dict]) -> str:
    context = "\n\n".join(f"[{p['id']}] {p['title']}\n{p['text']}" for p in passages)
    system = ("أجب عن سؤال المستخدم بالعربية الفصحى المبسطة، اعتماداً فقط على المقاطع المرفقة. "
              "اذكر رقم المقطع بين قوسين مربعين بعد كل معلومة. "
              "إذا لم تجد الإجابة في المقاطع فقل ذلك بوضوح.")
    r = client.chat.completions.create(
        model="broadnet/deepseek-v4.1-flash",
        max_tokens=4000,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": f"المقاطع:\n{context}\n\nالسؤال: {question}"}],
    )
    return r.choices[0].message.content
```

O system prompt em árabe diz: “Responda à pergunta do usuário em árabe padrão moderno simples, com base apenas nos trechos anexados. Cite o número do trecho entre colchetes depois de cada informação. Se não encontrar a resposta nos trechos, diga isso claramente.” Instruções em inglês funcionam igualmente bem; o que importa é a regra de responder só a partir dos trechos e citar.

Coloque os trechos antes da pergunta. Se os mesmos documentos aparecem em muitas requisições, mantenha-os na mesma ordem no início do prompt para que o preço de input em cache se aplique; veja [tokens de input em cache](https://broadrouter.com/pt/blog/cached-input-tokens-explained/).

### Qual modelo?

| Modelo | Contexto | Por quê |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) | 1.048.576 | A menor tarifa de input em cache dos três na BroadNet ($0.0055 por 1M de tokens), espaço para muitos trechos, planos de preço fixo disponíveis |
| [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) | 1.048.576 | Ferramentas e saída estruturada para retrieval agêntico |
| [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) | 262.144 | A BroadNet o testou em árabe: escrita fluente, dialetos do Golfo e egípcio compreendidos |

Com um contexto de um milhão de tokens, você pode recuperar com folga, digamos 50 trechos em vez de 5, e deixar o modelo escolher. Isso reduz o estrago quando o retrieval coloca o trecho certo na 12ª posição. Para conjuntos pequenos de documentos, talvez você nem precise de retrieval; veja [contexto longo vs RAG](https://broadrouter.com/pt/blog/long-context-vs-rag/) e confira se seu corpus cabe com a [calculadora de janela de contexto](https://broadrouter.com/tools/context-window-calculator/). Os preços de todos os modelos estão na [página de preços](https://broadrouter.com/pt/pricing/).

## Como avaliar um RAG em árabe?

1.  Escreva de 50 a 100 perguntas reais, na mistura de MSA, dialeto e inglês que seus usuários realmente digitam.
2.  Marque o trecho que responde a cada uma.
3.  Meça primeiro o retrieval: o trecho certo está entre os 10 primeiros? Compare só palavra-chave, só embeddings e híbrido, com e sem normalização.
4.  Depois meça as respostas: corretas, citadas e “não encontrado” quando a resposta não existe.
5.  Inclua de propósito consultas com erros de digitação e em dialeto. Os usuários escrevem “وين الفاتوره” (Golfo/Levante: cadê a fatura), não “أين الفاتورة”.

Conserte o retrieval antes de trocar o modelo de geração: se o trecho certo nunca chega ao prompt, nenhum modelo consegue citá-lo.

Ferramentas gratuitas sobre o tema (em inglês)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

[Embeddings](https://broadrouter.com/pt/glossary/embeddings/)

Embeddings são listas de números de ponto flutuante (vetores) que um modelo produz para representar um texto, uma imagem ou outra entrada. Entradas com significado parecido recebem vetores próximos, então a distância entre vetores serve para ordenar resultados de busca, agrupar documentos ou encontrar itens relacionados.

[Token](https://broadrouter.com/pt/glossary/token/)

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

[Hamza (letra árabe)](https://broadrouter.com/pt/glossary/hamza/)

Hamza (ء) é a letra árabe que representa a oclusiva glotal. Ela é escrita sozinha ou sobre um suporte: alef (أ إ), waw (ؤ) ou yeh (ئ), e آ junta alef e madda. Como o texto digitado é inconsistente com ela, buscadores e a avaliação de fala costumam reduzir as formas com alef a ا.

[Árabe padrão moderno (MSA)](https://broadrouter.com/pt/glossary/msa/)

O árabe padrão moderno (MSA) é a forma padronizada do árabe usada na escrita, no noticiário, na educação e na fala formal em todo o mundo árabe. Ele não é a língua materna do dia a dia de ninguém: as pessoas falam dialetos regionais, como o egípcio ou o árabe do Golfo, e passam para o MSA em contextos formais.

[Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/)

Fala para texto, ou reconhecimento automático de fala (ASR), é a tecnologia que converte áudio falado em texto. Uma API de fala para texto recebe um arquivo ou stream de áudio e retorna uma transcrição, normalmente cobrada por minuto de áudio. A precisão é medida pela taxa de erro de palavras e varia com sotaque, dialeto e qualidade da gravação.

[RAG (geração aumentada por recuperação)](https://broadrouter.com/pt/glossary/rag/)

RAG (retrieval-augmented generation, ou geração aumentada por recuperação) é um padrão em que a aplicação primeiro busca, em um repositório externo como um índice de busca ou vetorial, trechos relevantes para uma pergunta e depois os adiciona ao prompt, para que um modelo de linguagem responda a partir desse texto e não só da memória.

[Banco de dados vetorial (vector database)](https://broadrouter.com/pt/glossary/vector-database/)

Um banco de dados vetorial é um armazenamento que guarda vetores de embedding, muitas vezes com o texto de origem e metadados, e responde a consultas de vizinhos mais próximos: dado um vetor de consulta, devolve os vetores armazenados mais parecidos, em geral por distância de cosseno, distância euclidiana ou produto interno.

## Perguntas frequentes

### A BroadNet Inference oferece embeddings?

Não. Os endpoints documentados são chat completions e transcrição de áudio. Use um modelo de embeddings de outro provedor ou rode você mesmo um modelo de embeddings multilíngue aberto, e use a BroadNet na etapa de geração.

### Devo normalizar o ta marbuta para ha?

Para busca, geralmente sim, porque os usuários digitam das duas formas. Isso junta algumas palavras distintas, mas na maioria dos corpus o ganho de recall compensa. Guarde o texto original para exibição e citações.

### Qual deve ser o tamanho dos chunks em árabe?

Comece com um a três parágrafos, algumas centenas de palavras, com uma pequena sobreposição. Divida em títulos e quebras de parágrafo, não no meio da frase, e mantenha o título do documento em cada chunk.

### Qual modelo de embeddings funciona para árabe?

Use um modelo multilíngue e teste com suas próprias consultas em árabe. O BGE M3, por exemplo, é descrito pelos autores como capaz de retrieval em mais de 100 idiomas de trabalho. Modelos de embeddings só de inglês geram vetores ruins para árabe.

### Os usuários podem buscar em inglês e encontrar documentos em árabe?

Sim, com um modelo de embeddings multilíngue que coloca os dois idiomas no mesmo espaço, ou traduzindo a consulta com um LLM antes da busca por palavra-chave. Teste explicitamente as consultas entre idiomas.

## Continue lendo

-   [Contexto longo vs RAG: quando 1M de tokens substitui um banco vetorial](https://broadrouter.com/pt/blog/long-context-vs-rag/)
-   [Word error rate (WER) no ASR em árabe: o que é e como calcular](https://broadrouter.com/pt/blog/arabic-asr-wer-explained/)
-   [Engenharia de prompt em árabe: registro, RTL, números e texto misto](https://broadrouter.com/pt/blog/arabic-prompt-engineering/)
-   [Como escolher uma API de LLM para árabe: o que testar](https://broadrouter.com/pt/blog/choosing-an-llm-for-arabic/)
-   [Diacríticos no árabe com um LLM: prompt, checagens e DER](https://broadrouter.com/pt/blog/arabic-diacritization-llm/)
-   [Correção gramatical e ortográfica do árabe com um LLM: passo a passo](https://broadrouter.com/pt/blog/arabic-grammar-spelling-correction-llm/)
-   [Guia: Como usar o LangChain com a BroadNet Inference](https://broadrouter.com/pt/guides/langchain-openai-base-url/)
-   [Guia: Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-arabic-rag-search&utm_content=page-cta) ·

**Fontes**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401; consultado em 2026-11-14)](https://arxiv.org/abs/2005.11401)
-   [Chen et al., M3-Embedding: mais de 100 idiomas de trabalho (arXiv 2402.03216; consultado em 2026-11-14)](https://arxiv.org/abs/2402.03216)
-   [Language analyzers do Elasticsearch, filtros do analyzer arabic (consultado em 2026-11-14)](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html)
-   [Tabela Unicode do árabe, de U+0600 a U+06FF (consultado em 2026-11-14)](https://www.unicode.org/charts/PDF/U0600.pdf)
-   [Referência da API da BroadNet Inference, endpoints disponíveis (consultado em 2026-11-14) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-arabic-rag-search&utm_content=sources)
