---
title: "O que é grounding em LLMs? Respostas ligadas a fontes"
description: "Grounding liga a resposta de um LLM a fontes fornecidas por você, como documentos, resultados de busca ou linhas de banco de dados, para checar as afirmações."
url: https://broadrouter.com/pt/glossary/grounding/
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/glossary/grounding/) (atualizado em 2026-11-14).

# Grounding (ancoragem em fontes)

Atualizado em 2026-11-14

Grounding é a prática de ligar a saída de um modelo de linguagem a fontes de informação específicas e verificáveis, como documentos fornecidos, resultados de busca ou registros de banco de dados, e instruí-lo a responder com base nelas. Respostas ancoradas podem ser rastreadas até uma fonte e têm menos chance de trazer fatos inventados.

Também chamado de: ancoragem, ancoragem em fontes, respostas baseadas em fontes, geração ancorada, grounding em LLM, grounded generation, source grounding, grounded answers

Um modelo sem grounding responde de memória. Um modelo com grounding responde a partir da página que tem na frente.

## Como funciona

A documentação do Vertex AI do Google define grounding como “the ability to connect model output to verifiable sources of information.” (tradução: a capacidade de ligar a saída do modelo a fontes de informação verificáveis). A fonte pode ser uma busca na web, os seus próprios documentos, um serviço de mapas ou um banco de dados. Seja qual for a fonte, o padrão tem três partes:

1.  **Buscar evidências** para a pergunta: trechos recuperados, um arquivo inteiro, a imagem de uma nota fiscal, linhas de SQL.
2.  **Colocá-las no prompt** com a instrução de responder só com base nelas.
3.  **Tornar a resposta verificável** com citações, marcadores de referência ou links para a fonte.

A geração aumentada por recuperação (RAG) é o método mais conhecido. Lewis e colegas combinaram um gerador com um “dense vector index of Wikipedia” (tradução: índice vetorial denso da Wikipédia), acessado por um recuperador neural, e relataram respostas mais específicas e mais factuais do que as de um modelo trabalhando só com seus parâmetros. Construir esse índice usa [embeddings](https://broadrouter.com/pt/glossary/embeddings/) e, muitas vezes, um [banco de dados vetorial](https://broadrouter.com/pt/glossary/vector-database/).

Um prompt mínimo com grounding (fica em inglês: pede para responder só com base na política, citar a frase que sustenta a resposta e responder “Not in the policy.” se a política não responder):

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

Uma resposta ancorada diz que não e cita a frase dos 14 dias. Um modelo sem grounding poderia chutar uma política de 30 dias que parece normal.

Para entradas longas, a Anthropic sugere uma etapa de citações primeiro: em documentos com mais de 20.000 tokens, peça ao modelo que extraia citações literais e depois responda só a partir delas.

## Por que isso importa

-   **Menos fatos inventados.** O Google aponta a redução de alucinações como um benefício central. Grounding é a correção mais direta para [alucinações](https://broadrouter.com/pt/glossary/hallucination/) sobre os seus próprios dados.
-   **Informação atualizada.** Os pesos do modelo ficam congelados no treinamento. Fontes de grounding podem mudar todo dia sem retreinar.
-   **Auditabilidade.** Uma afirmação com citação pode ser checada por uma pessoa ou por código.
-   **Trade-off de custo.** Evidência é token de entrada. Recuperar cinco trechos sai mais barato que enviar um manual inteiro, mas pode deixar de fora o trecho que importa. Prompts muito longos também correm o risco de perda de memória por [lost-in-the-middle](https://broadrouter.com/pt/glossary/lost-in-the-middle/).

## Na BroadNet Inference

A documentação da BroadNet não lista endpoint de embeddings, ferramenta de busca nem recurso de citações, então a recuperação roda no seu código. O que a API oferece é espaço para evidências: uma [janela de contexto](https://broadrouter.com/pt/glossary/context-window/) de 1.048.576 tokens no DeepSeek V4.1 Flash e no GLM 5.3, 262.144 no Qwen3.8 27B e entrada de imagens nos modelos cuja entrada na documentação indica imagens ou visão. Isso torna “colar o documento inteiro” uma opção real; [contexto longo vs. RAG](https://broadrouter.com/pt/blog/long-context-vs-rag/) compara o custo de cada caminho, e o [guia de faturas](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) ancora a extração em uma imagem escaneada.

## Perguntas frequentes

### Grounding é a mesma coisa que RAG?

RAG é uma forma de fazer grounding. Ele recupera trechos e os adiciona ao prompt. Também dá para fazer grounding colando um documento inteiro, anexando uma imagem ou adicionando resultados de busca ou de banco de dados em tempo real.

### Grounding garante uma resposta correta?

Não. O modelo ainda pode ler errado ou ignorar a fonte. Peça citações ou referências e confira se cada uma existe na fonte.

### Como faço um LLM responder só com base nos meus documentos?

Forneça os documentos, diga ao modelo para usar só eles, permita que ele diga que a resposta não está lá e exija uma citação para cada afirmação.

## Veja também

-   [Alucinação (hallucination)](https://broadrouter.com/pt/glossary/hallucination/) (termo)
-   [RAG (geração aumentada por recuperação)](https://broadrouter.com/pt/glossary/rag/) (termo)
-   [Embeddings](https://broadrouter.com/pt/glossary/embeddings/) (termo)
-   [Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/) (termo)
-   [Banco de dados vetorial (vector database)](https://broadrouter.com/pt/glossary/vector-database/) (termo)
-   [Lost in the middle (perdido no meio)](https://broadrouter.com/pt/glossary/lost-in-the-middle/) (termo)
-   [Ler notas fiscais e recibos em árabe com um modelo de visão](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) (guia)
-   [Contexto longo vs RAG: quando 1M de tokens substitui um banco vetorial](https://broadrouter.com/pt/blog/long-context-vs-rag/) (artigo)
-   [RAG em árabe: normalização, chunking e retrieval que funcionam](https://broadrouter.com/pt/blog/arabic-rag-search/) (artigo)

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-glossary-grounding&utm_content=page-cta) ·

**Fontes**

-   [Google Cloud, visão geral de grounding (Vertex AI)](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic, reduzir alucinações (citações literais e referências)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Referência da API da BroadNet Inference, IDs de modelo e contexto (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-grounding&utm_content=sources#models)
