O que é RAG e quando usar pgvector?
Por Equipe Hardsystem · Publicado em
O que é RAG?
RAG (Retrieval-Augmented Generation) é a técnica de buscar informações em uma base de documentos e entregá-las ao modelo de linguagem no momento da pergunta.
Com isso, o modelo responde com base no conteúdo da empresa, e não apenas no que aprendeu durante o treinamento.
Como o RAG funciona?
- Preparação: os documentos são divididos em trechos e cada trecho vira um vetor (embedding).
- Armazenamento: os vetores ficam em um banco que permite busca por similaridade.
- Busca: a pergunta do usuário também vira um vetor, e o sistema encontra os trechos mais próximos.
- Resposta: o modelo recebe a pergunta e os trechos encontrados, e escreve a resposta citando de onde veio a informação.
O que é pgvector?
pgvector é uma extensão do PostgreSQL que adiciona um tipo de coluna para vetores e operadores de busca por similaridade.
Na prática, os vetores ficam no mesmo banco dos demais dados da aplicação.
Quando usar pgvector em vez de um banco vetorial dedicado?
| Situação | Caminho indicado |
|---|---|
| A aplicação já usa PostgreSQL | pgvector |
| A busca precisa combinar similaridade e filtros relacionais | pgvector |
| A equipe não quer operar mais um serviço | pgvector |
| O volume e a carga de busca exigem um serviço especializado | Banco vetorial dedicado |
Como a Hardsystem usa RAG?
A Hardsystem adota PostgreSQL com pgvector como padrão para busca por similaridade e orquestra os fluxos com LangGraph.
Cada fluxo tem um conjunto de perguntas de referência, e a Hardsystem reavalia as respostas sempre que o prompt, o modelo ou a base de documentos muda.
Perguntas frequentes
- RAG é o mesmo que treinar um modelo?
- Não. No RAG o modelo não é retreinado; ele recebe, a cada pergunta, os trechos de documento que o sistema encontrou, e responde com base neles.
- O que é um embedding?
- É uma lista de números que representa o significado de um texto. Textos de significado parecido geram embeddings próximos, o que permite buscar por similaridade.