~/questoes/agentes-de-ia

Qual é o principal objetivo do uso de RAG (Retriever Augmented Generation) no chatbot de Dengue?

Responda, confira o feedback e use o resultado para orientar sua revisão.

Questão 1 Não respondida

Qual é o principal objetivo do uso de RAG (Retriever Augmented Generation) no chatbot de Dengue?

Agentes de IA RAG (Retriever Augmented Generation) Iniciante

Para fixar

RAG no Chatbot de Dengue: Reduzindo Alucinações com Evidências

Conceito central

RAG (Retriever Augmented Generation) é uma técnica que recupera informações de documentos confiáveis antes de gerar respostas, garantindo que o chatbot forneça dados baseados em fontes reais em vez de inventar informações. No chatbot de Dengue, o RAG busca em um banco de dados vetorial (como o Qdrant) os trechos mais relevantes sobre sintomas, tratamentos e prevenção para fundamentar cada resposta.

Por que essa resposta faz sentido

O RAG reduz alucinações fornecendo respostas baseadas em evidências documentadas porque o modelo não precisa gerar tudo do zero — ele recupera primeiro informações verificadas e depois as usa como base para construir uma resposta confiável. Em um chatbot de saúde como este, isso é essencial: evita que o sistema invente sintomas ou tratamentos inexistentes.

Armadilhas comuns

Confundir RAG com aprendizado contínuo — RAG não treina o modelo, apenas busca informações de fontes já preparadas.
Pensar que RAG é apenas para velocidade — o benefício real está na qualidade e confiabilidade das respostas, especialmente crítico em saúde.
Achar que dados de pacientes são armazenados via RAG — o RAG trabalha com documentos de referência (PDFs sobre Dengue), não com dados pessoais de usuários.

Entenda as alternativas

RAG não é sobre aprendizado automático com cada conversa. O sistema não treina novamente nem atualiza seus pesos durante o uso. Ele apenas consulta documentos já indexados e mantém histórico em banco de dados local (SQLite).

Velocidade de processamento não é o objetivo principal do RAG. Na verdade, recuperar documentos antes de gerar respostas pode até aumentar latência. O objetivo é melhorar a qualidade e confiabilidade das respostas, não a velocidade.

Armazenar dados de pacientes em banco de dados relacional não é função do RAG. O chatbot usa CSV para registrar casos suspeitos e SQLite para histórico de conversas, mas isso é separado da técnica de RAG. O RAG trabalha com bancos vetoriais (como Qdrant) para buscar conteúdo de documentos.

Esta é a resposta correta. RAG reduz alucinações exatamente porque obriga o modelo a basear suas respostas em documentos reais indexados no banco vetorial. Sem RAG, o modelo poderia inventar informações; com RAG, ele precisa citar o que foi recuperado.