---
title: "O que é RAG? Geração aumentada por recuperação explicada"
description: "RAG busca trechos relevantes nos seus documentos e os coloca no prompt para que um LLM responda com base neles. Como funciona e quando o contexto longo vence."
url: https://broadrouter.com/pt/glossary/rag/
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/rag/) (atualizado em 2026-11-14).

# RAG (geração aumentada por recuperação)

Atualizado em 2026-11-14

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.

Também chamado de: geração aumentada por recuperação, geração aumentada de recuperação, pipeline de RAG, RAG com LLM, retrieval-augmented generation, retrieval augmented generation, RAG pipeline, retrieval-augmented LLM

O RAG dá ao modelo uma prova com consulta: antes de ele responder, o seu código procura as páginas relevantes e as coloca no prompt.

## Como funciona

O termo vem de Lewis et al. (2020). Os autores combinaram um modelo gerador (“parametric memory”, memória paramétrica) com “a dense vector index of Wikipedia” (tradução: um índice vetorial denso da Wikipédia), a “non-parametric memory” (memória não paramétrica), acessado por um retriever neural, e relataram resultados melhores em perguntas e respostas de domínio aberto do que modelos que dependiam só dos próprios pesos.

Um pipeline de RAG moderno com uma API de LLM costuma ser assim:

1.  **Indexar.** Divida os documentos em chunks, transforme cada um em [embeddings](https://broadrouter.com/pt/glossary/embeddings/) e guarde-os em um [banco de dados vetorial](https://broadrouter.com/pt/glossary/vector-database/), muitas vezes ao lado de um índice por palavras-chave.
2.  **Recuperar.** Gere o embedding da pergunta do usuário e busque os chunks mais parecidos, digamos de 5 a 20.
3.  **Gerar.** Coloque esses chunks no prompt com a instrução de responder só com base neles e de citá-los. Envie para o modelo de chat.

O modelo nunca busca sozinho. A qualidade da recuperação define o teto: se o trecho certo não for recuperado, o modelo não tem como usá-lo.

## Por que isso importa

-   **Atualização.** Os pesos do modelo param na data de corte do treinamento. O RAG permite responder com base na tabela de preços ou na política de hoje.
-   **Custo.** Enviar 10 chunks custa muito menos tokens de entrada do que enviar o corpus inteiro a cada pergunta.
-   **Rastreabilidade.** As respostas podem citar os trechos de onde vieram, o que ajuda no [grounding](https://broadrouter.com/pt/glossary/grounding/) e facilita identificar [alucinações](https://broadrouter.com/pt/glossary/hallucination/).
-   **A ordem importa.** Os modelos aproveitam melhor o início e o fim de um prompt longo do que o meio. Coloque os melhores trechos primeiro. Veja [lost in the middle](https://broadrouter.com/pt/glossary/lost-in-the-middle/).

## Na BroadNet Inference

A BroadNet cobre a etapa de geração. A documentação dela não lista um endpoint de embeddings, então o retriever precisa de um modelo de embedding separado ou de uma busca por palavras-chave. DeepSeek V4.1 Flash e GLM 5.3 aceitam até 1.048.576 tokens de contexto, o que torna viável uma recuperação generosa (ou nenhuma recuperação, para corpus pequenos). O post [contexto longo vs RAG](https://broadrouter.com/pt/blog/long-context-vs-rag/) compara os dois em custo e recall, e [busca RAG em árabe](https://broadrouter.com/pt/blog/arabic-rag-search/) trata de normalização e recuperação híbrida para árabe.

## Erros comuns

-   Culpar o modelo quando o problema é o retriever. Registre no log quais chunks foram recuperados para cada resposta.
-   Chunks que cortam tabelas ou frases ao meio.
-   Nenhuma instrução para dizer “não encontrado”. Sem ela, o modelo preenche as lacunas com a memória.

## Perguntas frequentes

### RAG é a mesma coisa que fine-tuning?

Não. O RAG adiciona documentos ao prompt na hora da requisição e não muda nada no modelo. O fine-tuning muda os pesos do modelo. O RAG é mais fácil de atualizar; você reindexa um documento em vez de treinar de novo.

### Preciso de um banco de dados vetorial para fazer RAG?

Nem sempre. Busca por palavra-chave, uma consulta SQL ou um pequeno índice em memória podem servir de retriever. Um banco vetorial ajuda quando você tem muitos documentos e precisa de correspondência semântica.

### Uma janela de contexto de 1M de tokens substitui o RAG?

Às vezes. Se o corpus inteiro cabe e é consultado com frequência usando cache, dá para enviar tudo. Para corpus grandes ou que mudam rápido, a recuperação ainda é mais barata e mais rápida por pergunta.

## Veja também

-   [Embeddings](https://broadrouter.com/pt/glossary/embeddings/) (termo)
-   [Banco de dados vetorial (vector database)](https://broadrouter.com/pt/glossary/vector-database/) (termo)
-   [Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/) (termo)
-   [Grounding (ancoragem em fontes)](https://broadrouter.com/pt/glossary/grounding/) (termo)
-   [Alucinação (hallucination)](https://broadrouter.com/pt/glossary/hallucination/) (termo)
-   [Lost in the middle (perdido no meio)](https://broadrouter.com/pt/glossary/lost-in-the-middle/) (termo)
-   [Chunking (RAG)](https://broadrouter.com/pt/glossary/chunking/) (termo)
-   [Reranking (reordenação de resultados)](https://broadrouter.com/pt/glossary/reranking/) (termo)
-   [Busca híbrida (hybrid search)](https://broadrouter.com/pt/glossary/hybrid-search/) (termo)
-   [BM25](https://broadrouter.com/pt/glossary/bm25/) (termo)
-   [Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/) (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)
-   [Quando vale a pena uma janela de contexto de 1M de tokens (ou não)](https://broadrouter.com/pt/blog/million-token-context-window-guide/) (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-rag&utm_content=page-cta) ·

**Fontes**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, NeurIPS 2020)](https://arxiv.org/abs/2005.11401)
-   [OpenAI, guia de vector embeddings (caso de uso de busca)](https://developers.openai.com/api/docs/guides/embeddings)
-   [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-rag&utm_content=sources#models)
