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.