Geração aumentada por recuperação (RAG)

Um padrão em que trechos relevantes são recuperados de uma fonte de conhecimento e colocados no prompt para que o modelo responda a partir deles.

Última atualização: · Versão em Markdown

Como aplicar em prompts

Use este conceito para reduzir a ambiguidade e melhorar a consistência. Se precisar de formato estrito, combine-o com um guia de JSON e um template por modelo.

O que significa
Exemplo pronto para copiar
Responda à pergunta usando apenas os trechos numerados abaixo.
Cite o número do trecho depois de cada afirmação, assim: [2].
Se os trechos não contiverem a resposta, diga isso e pare.

<passages>
[1] [cole o trecho]
[2] [cole o trecho]
</passages>

Pergunta: [pergunta]
Abre o analisador com o prompt já preenchido.
Abrir no Promptea
Perguntas frequentes
RAG é o mesmo que fine-tuning?
Não. O fine-tuning altera os pesos do modelo; o RAG deixa o modelo como está e muda o que ele lê no prompt. O RAG é a forma habitual de dar a um modelo fatos recentes ou privados.
Os assistentes baseados em busca usam RAG?
Eles seguem a mesma ideia: buscar primeiro, depois responder a partir do que foi encontrado e mostrar as fontes. Modelos como os da Perplexity fazem isso de forma nativa, então o seu prompt deve gerar uma boa busca em vez de colar as fontes.