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

Grounding

Grounding (ancoragem) é ligar a resposta de um modelo de linguagem a fontes específicas e verificáveis, como resultados de busca, documentos ou um banco de dados, para que suas afirmações se apoiem em evidências fornecidas, e não apenas nos dados de treinamento.

Também chamado: grounded generation

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

Sozinho, um modelo responde a partir de padrões aprendidos durante o treinamento. Esse conhecimento para em um knowledge cutoff e pode estar errado ou ser inventado. O grounding dá ao modelo material de fonte relevante na hora da resposta e pede que ele baseie a resposta nesse material, muitas vezes com citações.

Por que isso importa

A documentação do Google Cloud define grounding como a capacidade de conectar a saída do modelo a fontes verificáveis e lista, entre seus benefícios, a redução de alucinações e a possibilidade de auditoria. Para quem constrói, o grounding é o que permite ao usuário clicar e verificar de onde veio uma afirmação.

Como é feito

- Busca na web: a aplicação faz uma busca e passa os resultados ao modelo. - Seus próprios dados: passagens são puxadas de uma base de conhecimento ou de um banco de dados vetorial, como na geração aumentada por recuperação. - Fontes estruturadas: uma consulta a banco de dados ou chamada de API fornece números exatos.

O prompt então diz ao modelo para responder só a partir das fontes fornecidas e para avisar quando elas não contiverem a resposta.

Como ele difere do RAG

O RAG é uma forma de fazer grounding: recuperar, depois gerar. O grounding é o objetivo mais amplo de tornar as saídas rastreáveis até as evidências, seja qual for o método de recuperação.

Limites

O grounding reduz os erros, mas não os elimina. Se a recuperação devolver a passagem errada, o modelo pode repeti-la fielmente. Os modelos também podem misturar os fatos fornecidos com suposições próprias, ou citar uma fonte que não diz o que a resposta afirma. Verificar as citações e testar as respostas contra um golden dataset ajuda a pegar os dois problemas.

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.
Alucinação (IA)
Uma alucinação (hallucination) é uma saída de um modelo de IA que soa fluente e confiante, mas é falsa, não tem apoio nas fontes ou foi inventada, como uma citação, uma frase, uma estatística ou uma função de API que não existem.
Base de conhecimento (IA)
Em apps de IA, uma base de conhecimento (knowledge base) é a coleção de documentos e dados que um assistente ou agente consulta para responder a perguntas, como artigos de ajuda, políticas ou documentação de produto, mantida separada do próprio modelo.
Knowledge cutoff
O knowledge cutoff (data de corte do conhecimento) é a data depois da qual um modelo tem pouca ou nenhuma informação, porque seus dados de treinamento foram coletados até mais ou menos esse ponto. Eventos posteriores são desconhecidos, a menos que sejam fornecidos no prompt.
Mecanismo de busca com IA
Um mecanismo de busca com IA é um serviço de busca que faz pesquisas na web para uma consulta, lê os resultados com um modelo de linguagem e devolve uma resposta escrita com links para suas fontes, em vez de apenas uma lista de links.

Fontes