Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

RAG agêntico

RAG agêntico (agentic RAG) é a geração aumentada por recuperação conduzida por um agente de IA que decide quando buscar, o que buscar e qual fonte usar, e pode buscar de novo se os primeiros resultados não bastarem.

Também chamado: agentic retrieval, agentic retrieval-augmented generation

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

A geração aumentada por recuperação clássica é um pipeline fixo: gerar o embedding da pergunta, recuperar os melhores trechos, gerar uma vez. Isso falha quando uma pergunta exige vários passos, como comparar dois contratos ou rastrear um bug por logs e código. O RAG agêntico entrega a recuperação a um agente de IA que roda em loop.

Como funciona

O modelo recebe a busca como uma ou mais ferramentas por meio de chamada de funções: um índice vetorial, um índice de palavras-chave, um banco de dados SQL, a web. Em cada turno do loop do agente, ele decide se precisa de mais informação, escreve uma consulta (muitas vezes reescrita), lê os resultados e busca de novo ou responde. Ele pode dividir uma pergunta em subperguntas e encaminhar cada uma a uma fonte diferente.

Exemplo

Diante da pergunta "O churn subiu no último trimestre nas regiões onde aumentamos os preços?", o agente consulta o registro de mudanças de preço, depois a tabela de churn por região, e então compara as duas antes de responder.

Formas iniciais

O Self-RAG (2023) treinou um modelo para decidir sozinho quando recuperar e para criticar os trechos que recebia. Os sistemas atuais, na maioria, instruem modelos gerais a fazer isso com ferramentas, em vez de treinar um modelo especial.

Prós e contras

O RAG agêntico lida com perguntas mais difíceis, mas cada busca extra acrescenta chamadas de modelo, latência e custo, e o agente pode entrar em loop ou parar cedo demais. Limite o número de passos, registre cada chamada de ferramenta com ferramentas de observabilidade de LLM e mantenha o RAG simples para consultas diretas. Produtos de deep research são uma forma de longa duração desse padrão.

Termos relacionados

Retrieval-augmented generation
Retrieval-augmented generation (RAG, geração aumentada por recuperação) é um padrão em que um sistema primeiro busca em uma coleção de documentos os trechos relevantes para uma pergunta e depois entrega esses trechos a um modelo de linguagem para que a resposta se baseie neles.
Agente de IA
Um agente de IA é um sistema em que um modelo de linguagem decide seus próprios próximos passos: chama ferramentas, lê os resultados e repete até concluir a tarefa, em vez de seguir um roteiro fixo.
Loop do agente
O loop do agente (ciclo do agente) é o ciclo repetido no centro de um agente de IA: o modelo pede uma chamada de ferramenta, a aplicação a executa e devolve o resultado, e o modelo decide o que fazer em seguida.
Reescrita de consultas
A reescrita de consultas (query rewriting) altera a pergunta de um usuário antes da busca, por exemplo esclarecendo-a, dividindo-a ou adicionando termos relacionados, para que o retriever tenha mais chance de encontrar os trechos que a respondem.
Chamada de ferramentas
Chamada de ferramentas (tool calling), também chamada de chamada de funções (function calling), é um recurso de APIs de modelos em que você descreve funções com um schema, o modelo responde com um pedido estruturado para chamar uma delas, e o seu código a executa e devolve o resultado.
Deep research (IA)
Deep research (pesquisa aprofundada) é um recurso de agentes de IA que planeja uma pergunta de pesquisa, faz muitas buscas na web, lê as fontes que encontra e escreve um relatório longo com citações, levando minutos em vez de segundos.

Fontes