IA RAG Microsoft Foundry Azure AI Search Azure

RAG na prática: como a IA responde com os dados da sua empresa

Um funcionário pergunta ao assistente da empresa: quantos dias de férias eu posso vender? O problema é que o modelo de linguagem nunca leu a política de RH. Modelos são treinados com dados públicos disponíveis no momento do treinamento — e nada disso inclui os documentos internos da sua empresa.

Sem esses dados, o modelo pode produzir uma resposta que parece correta, mas não tem base nenhuma. O padrão que resolve isso se chama RAG — geração aumentada por recuperação. Neste artigo, montamos a arquitetura peça por peça.

🎬 Azure por dentro #04 — este artigo é a versão escrita do Reel da série no Instagram. Assista à arquitetura sendo montada em @mjcloudtecnologia.

⚡ Destaques Rápidos

  • RAG em 3 passos: recuperar trechos relevantes, aumentar o prompt com eles e gerar uma resposta baseada no que foi encontrado — com citação da fonte.
  • Índice: os documentos são divididos em pedaços, viram embeddings (vetores numéricos) e ficam num índice. O Azure AI Search é o índice recomendado para RAG.
  • Tipos de busca: palavra-chave, semântica, vetorial ou híbrida.
  • RAG ou ajuste fino? RAG adiciona conhecimento privado e atualizado; ajuste fino muda comportamento, estilo ou desempenho numa tarefa.
  • Segurança: controle de acesso na hora da busca e conteúdo recuperado tratado como entrada não confiável.

⟩_ O problema: o modelo não conhece os seus dados

Modelos de linguagem aprendem com dados públicos até a data do treinamento. Se a resposta depende de documentos privados ou de informações que mudam com frequência, o modelo simplesmente não tem esse conhecimento.

O risco não é só ele dizer "não sei": é responder com segurança algo que não está em lugar nenhum dos seus documentos.

O problema: o modelo não conhece os seus dados
Sem os dados da empresa, a resposta pode até parecer certa — mas não tem fonte.

⟩_ RAG em três passos

O RAG combina busca com o modelo de linguagem para que a resposta fique fundamentada nos seus dados. O fluxo tem três etapas:

  • Recuperar: quando o usuário pergunta, a aplicação consulta um índice e encontra os trechos mais relevantes.
  • Aumentar: a aplicação junta a pergunta com esses trechos (os dados de fundamentação) num único prompt.
  • Gerar: o modelo recebe o prompt aumentado e responde com base no conteúdo recuperado — o que reduz imprecisões e permite citar a fonte.
RAG em três passos
RAG em três passos

⟩_ Antes da pergunta: preparar os documentos

Para a busca ser rápida e precisa, os documentos são preparados antes: divididos em pedaços (chunks), transformados em embeddings — representações numéricas usadas na busca por similaridade — e armazenados num índice.

No Microsoft Foundry, o projeto se conecta a um serviço e a um índice do Azure AI Search, que a Microsoft indica como o repositório recomendado para cenários de RAG. O índice também pode guardar campos como título, URL ou nome do arquivo, que melhoram a qualidade das citações.

Antes da pergunta: preparar os documentos
Documento → pedaços → embeddings → índice no Azure AI Search.

⟩_ O fluxo completo da pergunta à resposta

Com o índice pronto, a pergunta chega à aplicação, que busca os trechos mais relevantes, monta o prompt com a pergunta e os trechos e envia ao modelo. O modelo gera a resposta e a aplicação devolve ao usuário junto com a fonte.

O fluxo completo da pergunta à resposta
Pergunta → busca no índice → prompt aumentado → resposta com fonte.

⟩_ Como o índice busca

Um índice para RAG costuma suportar um ou mais modos de busca:

  • Palavra-chave: encontra os termos exatos.
  • Semântica: considera o significado da pergunta.
  • Vetorial: compara embeddings por similaridade.
  • Híbrida: combina palavra-chave e vetor, às vezes com ranqueamento semântico.
Como o índice busca
Como o índice busca

⟩_ RAG ou ajuste fino?

Use RAG quando precisa de respostas fundamentadas em dados privados ou que mudam com frequência. Use ajuste fino quando o objetivo é mudar o comportamento, o estilo ou o desempenho do modelo numa tarefa — e não adicionar conhecimento novo. Para agentes, a recuperação também pode entrar como ferramenta, como a busca em arquivos.

RAG ou ajuste fino?
RAG ou ajuste fino?

⟩_ Cuidados de segurança

Um sistema de RAG pode expor conteúdo sensível se o acesso e os prompts não forem bem desenhados. Três recomendações da documentação oficial:

  • Aplique controle de acesso na hora da busca, para que ninguém receba trechos de documentos que não pode ver (no Azure AI Search, com filtros de segurança por documento).
  • Prefira o Microsoft Entra ID a chaves de API em produção.
  • Trate o conteúdo recuperado como entrada não confiável, reduzindo o risco de prompt injection vindo dos próprios documentos.
Cuidados de segurança
Cuidados de segurança

⟩_ Resumo

Recuperar, aumentar e gerar: é assim que a IA passa a responder com os dados da sua empresa — e com fonte. A qualidade final depende da preparação dos dados, da configuração da busca e do prompt, então vale testar e avaliar a recuperação antes de ir para produção.

✅
Conteúdo verificado na documentação oficial Todas as afirmações técnicas deste artigo foram conferidas nas fontes oficiais listadas acima. Produzido com apoio de IA e revisado pela MJ Cloud Tecnologia. O cenário da política de férias é um exemplo didático.