RAG e Vector Databases

Em 2026, quase toda aplicação séria com LLM tem RAG no meio do caminho. LLMs conhecem muita coisa, mas não conhecem seus dados — docs internas, políticas, base de clientes, histórico do paciente. RAG resolve isso injetando dados específicos no contexto em runtime, com citação de fonte como capacidade-chave. Esta trilha cobre o ciclo completo: do conceito ao setup de produção, passando por embeddings, chunking, vector DBs, retrieval, reranking, evaluation e padrões avançados (Graph RAG, Agentic RAG, PageIndex/vectorless RAG).

Pré-requisitos

Recomendado ter lido Anatomia dos LLMs (Trilha 1) — especialmente sobre context window e API. Context Engineering complementa fortemente (Bloco 2 de retrieval). Para RAG agentic avançado, ver Anatomia de Agents.

A regra de ouro

RAG não é sobre vector database — é sobre retrieval quality. Vector DB é commodity. Onde a qualidade vive: chunking, hybrid search, reranking. Pure vector em produção perde para hybrid+rerank em ~95% dos casos.

Comece por aqui

Trilha sequencial recomendada — fundamentos → pipeline → componentes → evaluation → produção.

Bloco 1 — Fundamentos (2 notas)

O que é, anatomia do pipeline.

• 01 - O que é RAG e quando usar — definição, decision tree, capacidade-chave (citação)
• 02 - Anatomia do pipeline RAG — indexing + query, onde cada problema vive

Bloco 2 — Componentes Essenciais (5 notas)

Os pilares que sustentam qualidade.

• 03 - Embeddings — representação semântica — modelos, dimensões, matryoshka, custo
• 04 - Chunking — onde 50% da qualidade vive — 5 estratégias, quando usar cada
• 05 - Vector databases — pgvector, Pinecone, Qdrant — comparativo, decision tree
• 06 - Retrieval — hybrid search, BM25, query rewriting — RRF, HyDE, multi-query
• 07 - Reranking — Cohere, Voyage, cross-encoders — bi vs cross-encoder, ganho real

Bloco 3 — Generation e Avaliação (2 notas)

Como passar contexto e como medir qualidade.

• 08 - Generation — passar contexto ao LLM com citação — prompts, faithfulness, structured output
• 09 - Evaluation de RAG — Ragas, golden set, eval em CI

Bloco 4 — Decisão e Avançado (4 notas)

Quando RAG é a escolha certa, padrões avançados, setup completo e alternativas vectorless.

• 10 - RAG vs long context vs fine-tuning — decision tree, hibridos
• 11 - Padrões avançados — Graph RAG, Agentic RAG, multi-hop — quando RAG vanilla falha
• 12 - Setup completo — checklist de produção — roadmap 8 semanas, stack recomendada
• 13 - PageIndex — RAG vectorless por árvore de documentos — retrieval sem vector DB para documentos longos

Rotas alternativas

Rota prática (vou construir um RAG agora)

“Tenho corpus, preciso de RAG funcional rapidamente”

01 - O que é RAG e quando usar → 02 - Anatomia do pipeline RAG → 04 - Chunking — onde 50% da qualidade vive → 06 - Retrieval — hybrid search, BM25, query rewriting → 12 - Setup completo — checklist de produção

Rota qualidade (já tenho RAG mas funciona mal)

“RAG existe mas top-k traz lixo / faithfulness baixa”

09 - Evaluation de RAG → 04 - Chunking — onde 50% da qualidade vive → 06 - Retrieval — hybrid search, BM25, query rewriting → 07 - Reranking — Cohere, Voyage, cross-encoders

Rota arquiteto (qual approach escolher)

“Devo usar RAG, long context ou fine-tuning?”

01 - O que é RAG e quando usar → 10 - RAG vs long context vs fine-tuning → 14 - Fine-tuning vs prompting vs RAG

Rota produção (RAG em escala)

“Time pequeno mas precisamos rodar RAG confiável”

12 - Setup completo — checklist de produção → 09 - Evaluation de RAG → 18 - Playbook de economia — checklist completo → 07 - Security-focused prompting

Rota avançada (multi-hop, knowledge graphs)

“RAG vanilla não resolve, preciso patterns mais sofisticados”

11 - Padrões avançados — Graph RAG, Agentic RAG, multi-hop → Anatomia de Agents → 16 - Zep e Graphiti — knowledge graph temporal

Rota documentos longos (PDFs, contratos, relatórios)

“Meu problema é navegar documentos grandes sem chunking ruim”

10 - RAG vs long context vs fine-tuning → 11 - Padrões avançados — Graph RAG, Agentic RAG, multi-hop → 13 - PageIndex — RAG vectorless por árvore de documentos → 11 - OpenKB — wiki compilada com PageIndex

Como esta trilha se conecta

graph TB
    R["RAG e Vector DBs<br/>(esta trilha)"] --> A["Anatomia dos LLMs<br/>fundamentos de embedding"]
    R --> C["Context Engineering<br/>JIT retrieval, beyond RAG"]
    R --> M["Memória de Agentes<br/>vector storage + memory"]
    R --> AG["Anatomia de Agents<br/>RAG agentic"]
    R --> E["Economia de Tokens<br/>caching de embeddings"]
    R --> S["Segurança e Guardrails<br/>citação, sandbox de retrieval"]

Leituras recomendadas

Veja também

• Anatomia dos LLMs — fundamentos teóricos
• Context Engineering — disciplina mais ampla (RAG é caso particular)
• Memória de Agentes — vector stores em memória persistente
• Anatomia de Agents — Agentic RAG
• Economia de Tokens — custo de embeddings + queries
• MCP — alternativa via tools quando RAG não cabe
• Formação Engenheiro de IA