8 arquiteturas RAG explicadas para engenheiros de IA¶
Este artigo apresenta oito arquiteturas de Retrieval-Augmented Generation (RAG) que auxiliam engenheiros de IA a projetar sistemas mais robustos, explicando o funcionamento e os cenários de uso de cada abordagem.
Visão geral das arquiteturas RAG¶
A seguir, uma tabela resumindo cada arquitetura descrita no post, com sua descrição básica e o caso de uso ideal.
| Arquitetura | Descrição | Caso de uso ideal |
|---|---|---|
| Naive RAG | Recupera documentos com base apenas na similaridade de vetores entre o embedding da consulta e os embeddings armazenados. | Consultas simples e factuais onde a correspondência semântica direta é suficiente. |
| Multimodal RAG | Processa múltiplos tipos de dado (texto, imagem, áudio, etc.) embedando e recuperando entre modalidades. | Tarefas de recuperação cross‑modal, como responder a uma consulta de texto usando tanto texto quanto imagem como contexto. |
| HyDE (Hypothetical Document Embeddings) | Gera um documento hipotético a partir da consulta antes da recuperação e usa seu embedding para buscar documentos reais relevantes. | Situações em que a consulta não é semanticamente similar aos documentos armazenados. |
| Corrective RAG | Valida os resultados recuperados comparando‑os com fontes confiáveis (ex.: busca na web) para garantir informações atualizadas e corretas. | Cenários que exigem alta precisão e atualização, filtrando ou corrigindo o conteúdo antes de passar ao LLM. |
| Graph RAG | Converte o conteúdo recuperado em um grafo de conhecimento para capturar relações e entidades. | Melhorar o raciocínio fornecendo contexto estruturado além do texto bruto ao LLM. |
| Hybrid RAG | Combina recuperação densa por vetores com recuper |
Nota pessoal
https://x.com/i/status/2068289026101256323