Vibecoding
RAG na prática: como fazer a IA responder com base nos SEUS dados (sem alucinar)
A IA sozinha inventa. RAG é a técnica que faz ela responder só com base no seu material: seus documentos, seu produto, sua empresa. Este tutorial explica o que é, como funciona por dentro e como montar o seu, sem enrolação.
A IA sozinha inventa. Pergunta uma coisa específica da sua empresa e ela responde com confiança uma informação que não existe. Em contexto sério, isso é inaceitável.
RAG é a técnica que resolve isso. Faz a IA responder só com base no SEU material: seus documentos, seu produto, sua base de conhecimento. É o que eu uso em produto de verdade. Vou te explicar sem enrolação.
O que é RAG (sem jargão)
RAG é a sigla de Retrieval-Augmented Generation. Traduzindo pro que importa: em vez de deixar a IA responder do que ela "sabe", você entrega o material certo pra ela antes, e obriga a resposta a se basear nesse material.
Pensa numa prova. IA sem RAG é o aluno respondendo de cabeça, chutando quando não sabe. IA com RAG é o aluno com consulta: ele busca no material a parte relevante e responde com base nela.
A diferença é enorme. Um chuta. O outro responde ancorado na fonte.
Como funciona por dentro (o fluxo)
RAG tem duas fases. A primeira você faz uma vez. A segunda roda a cada pergunta.
Fase 1: preparar o material (uma vez)
Você pega seus documentos e faz três coisas:
Quebra em pedaços (chunks). Um documento grande vira vários trechos menores. Nem grande demais (perde precisão), nem pequeno demais (perde contexto). Uns poucos parágrafos por pedaço costuma funcionar.
Transforma cada pedaço em vetor (embedding). Um vetor é uma representação numérica do significado do texto. Textos parecidos viram vetores parecidos. É isso que permite buscar por significado, não por palavra exata.
Guarda os vetores num banco vetorial. Um banco especial que busca por similaridade. Você joga uma pergunta e ele te devolve os pedaços mais parecidos.
Fase 2: responder (a cada pergunta)
Quando o usuário pergunta algo:
- A pergunta vira vetor também.
- Você busca no banco os pedaços mais parecidos com a pergunta.
- Manda só esses pedaços pra IA, junto com a pergunta, num prompt tipo: "Responda a pergunta abaixo usando SÓ o material a seguir. Se a resposta não estiver no material, diga que não sabe. Cite a fonte."
- A IA responde ancorada no material, não no que ela achava.
Esse passo 3 é o coração. É onde você tira a liberdade da IA de inventar.
Montando o seu (passo a passo prático)
Pra um projeto de vibecoding, o caminho mais simples:
Passo 1: escolha o banco vetorial
Se você já usa Postgres (Supabase ou Neon), usa a extensão pgvector. É barato e fica tudo no mesmo banco. Se quer algo dedicado, Pinecone ou Qdrant.
Passo 2: quebre e indexe seus documentos
Um script que lê seus arquivos, quebra em pedaços, gera o embedding de cada um (via API de embedding da OpenAI, Cohere ou um modelo local) e salva no banco com o texto e a fonte.
Passo 3: crie a rota de pergunta
Uma rota no backend que recebe a pergunta, gera o embedding dela, busca os pedaços mais próximos no banco, monta o prompt com esses pedaços e chama a IA.
Passo 4: force a citação da fonte
No prompt, exige que a IA diga de qual documento tirou a resposta. Isso deixa o usuário conferir e mata a maior parte das alucinações.
Prompt pra IA montar o seu RAG
Não peça "faz um RAG". Peça com contrato:
Papel: você é engenheiro sênior especialista em RAG e Next.js.
Se algo ficar ambíguo, pergunta antes de gerar.
Regras:
- Usar pgvector no Postgres (Supabase) como banco vetorial.
- Chaves de API sempre em variável de ambiente, nunca no código.
- Quebrar documento em pedaços de poucos parágrafos, com sobreposição pequena.
- Guardar junto com cada pedaço: o texto e a fonte (nome do documento).
- Na resposta, a IA usa SÓ os trechos recuperados e cita a fonte.
- Se a resposta não estiver nos trechos, a IA diz que não sabe.
Objetivo: um RAG que responde perguntas sobre os meus documentos.
Modelo: script de indexação + rota de pergunta em Next.js.
Teste: incluir como testar (indexar um doc, fazer uma pergunta,
verificar que cita a fonte e que recusa quando não sabe).
Retorno: código + passos pra configurar o pgvector.
Os erros que derrubam um RAG
Onde eu mais vejo RAG falhar:
1. Chunk do tamanho errado. Pedaço grande demais joga lixo no contexto. Pequeno demais corta a informação no meio. Testa tamanhos até achar o que funciona pro seu material.
2. Não citar a fonte. Sem citação, o usuário não confere e você não sabe se a IA inventou. Fonte à vista sempre.
3. Confiar na primeira busca. Às vezes o pedaço mais parecido não é o mais útil. Um passo de reordenação (reranking) melhora muito. Vale quando a precisão importa.
4. Deixar a IA responder sem material. Se a busca não trouxe nada relevante, a IA deve dizer "não sei", não chutar. Isso vai no prompt.
Vale o ponto
"Não é mais fácil só jogar tudo no contexto da IA, já que os modelos novos aceitam 1 milhão de tokens?"
Vale o ponto. Pra pouco material, sim, joga tudo no contexto e pronto. Mas isso não escala: custa caro a cada pergunta, fica lento, e a IA se perde em meio a muito texto. RAG traz só o pedaço relevante, então é mais barato, mais rápido e mais preciso quando o material é grande. Contexto gigante e RAG não competem. Se completam.
Conclusão
RAG é o que separa "IA que inventa" de "IA que responde com base no seu material". O fluxo é simples: prepara os documentos uma vez (quebra, vetoriza, guarda), e a cada pergunta busca o relevante e obriga a IA a responder ancorada nele, citando a fonte.
Não é mágica. É engenharia. E é o que faz IA virar produto sério em vez de demo bonita que alucina.
Monta um pequeno com um punhado de documentos seus. Em uma tarde você entende o valor.
A decisão é sua.
Perguntas frequentes
Perguntas rápidas
+O que é RAG em uma frase?
RAG (Retrieval-Augmented Generation) é uma técnica que dá pra IA um material seu antes de ela responder, obrigando a resposta a se basear nesse material em vez do que o modelo 'acha'. Na prática: você busca os trechos relevantes dos seus documentos e passa só eles pra IA junto com a pergunta.
+Quando eu preciso de RAG?
Quando você quer que a IA responda com base em informação que ela não tem no treino: seus documentos internos, sua base de conhecimento, dados da sua empresa, catálogo de produto, políticas, contratos. Se a resposta precisa vir do SEU material e não pode ser inventada, você precisa de RAG.
+RAG resolve alucinação?
Reduz muito, não zera. Ao forçar a IA a responder só com base nos trechos recuperados e a citar a fonte, você corta a maior parte das invenções. Mas se a busca traz o trecho errado, a IA responde errado com cara de certo. Por isso a qualidade da recuperação é o que mais importa.
+Preciso de banco de dados especial pra RAG?
Sim, um banco vetorial (vector database) pra guardar os embeddings e buscar por similaridade. Opções: pgvector (extensão do Postgres, ótimo se você já usa Postgres), Pinecone, Weaviate, Qdrant. Pra começar, pgvector no Supabase ou Neon resolve e é barato.
Continue lendo
Como dar o primeiro prompt que presta (guia pra quem nunca usou IA)
Um passo a passo do prompt básico ao estruturado, com o método P.R.O.M.P.T.E.R. pra você parar de receber resposta genérica.
VibecodingComo usar o Claude Design: tutorial pra criar protótipo, slide e landing sem ser designer
O Claude Design transforma texto, documento ou até seu código em protótipo, apresentação e landing page. E devolve código de verdade, não imagem. Este tutorial mostra como usar passo a passo, os benefícios reais e quando ele substitui (e quando não) sua ferramenta de design.
VibecodingComo receber pagamento no seu app: Stripe, Mercado Pago ou Pagar.me (comparativo brasileiro 2026)
Você construiu com vibecoding, agora quer cobrar. No Brasil isso tem uma pegadinha: Pix. Comparei os 3 gateways mais usados, com taxa real, suporte a Pix e como integrar com segurança. Escolher errado custa caro em cada venda.