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.
Também chamado: knowledge base, KB
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
O conhecimento embutido de um modelo é fixado no treinamento e não inclui o seu material privado. Uma base de conhecimento é onde você coloca esse material para que o sistema possa consultá-lo. Na prática, ela significa os arquivos de origem mais o índice processado e pesquisável construído a partir deles.
O que há dentro
Um pipeline de base de conhecimento geralmente cobre a ingestão de fontes como uma wiki, o Google Drive ou um help desk, o parsing de documentos, o chunking, o embedding e o armazenamento em um banco de dados vetorial ou índice de busca. Na hora da consulta, ele recupera os chunks relevantes para a geração aumentada por recuperação. Serviços gerenciados como o Amazon Bedrock Knowledge Bases empacotam essas etapas.
Exemplo
Um assistente interno de RH tem uma base de conhecimento com o manual do funcionário, PDFs de benefícios e calendários de feriados. Quando alguém pergunta sobre licença-parental, ele recupera a seção relevante do manual e responde a partir dela, com uma citação.
Mantendo-a útil
A parte difícil não é a busca, é o conteúdo. Documentos desatualizados ou duplicados produzem respostas erradas que parecem confiantes. Você precisa de um processo de sincronização para que mudanças e exclusões cheguem ao índice, e de regras de acesso para que as pessoas só recuperem o que têm permissão para ver, muitas vezes via filtragem por metadados.
Termos relacionados
Um grafo de conhecimento é uma forma de estruturar uma base de conhecimento, como entidades ligadas em vez de chunks de texto. A memória de agente é parecida, mas é escrita pelo agente durante o uso, e não selecionada de antemão.
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.
- Banco de dados vetorial
- Um banco de dados vetorial (vector database) armazena embeddings junto com seus registros de origem e encontra os vetores guardados mais próximos de um vetor de consulta, geralmente com um índice aproximado para que a busca continue rápida em milhões de itens.
- Grafo de conhecimento
- Um grafo de conhecimento (knowledge graph) guarda informações como entidades (pessoas, produtos, lugares, conceitos) conectadas por relações nomeadas, para que um software possa seguir as ligações entre fatos em vez de buscar em texto solto.
- Memória de agente
- Memória de agente é o conjunto de técnicas que permitem a um agente de IA guardar informações além de uma única janela de contexto, como fatos sobre um usuário ou trabalhos anteriores, armazenando-as fora do modelo e carregando-as de volta quando necessário.
- Parsing de documentos
- O parsing de documentos (análise de documentos) converte arquivos como PDFs, digitalizações, apresentações e planilhas em texto estruturado que um software consegue usar, mantendo títulos, ordem de leitura, tabelas e imagens, em vez de um fluxo plano de caracteres.
- Chunking
- Chunking (divisão em trechos) é a etapa que divide documentos longos em passagens menores antes de gerar seus embeddings e indexá-los, para que um sistema de recuperação possa encontrar e devolver apenas as partes de um documento que respondem a uma consulta.