Como fazer a IA responder com base nos meus documentos
Para fazer a IA responder com base nos seus documentos, use RAG (geração aumentada por recuperação): os arquivos são divididos em trechos e indexados, e a cada pergunta o sistema busca os trechos mais relevantes e entrega ao modelo com a instrução de responder só a partir deles, citando a fonte. Para poucos arquivos, os Projetos do ChatGPT ou do Claude e o NotebookLM já resolvem. Com muitos documentos, permissão por usuário ou integração com sistemas, você precisa de um RAG próprio.
Atualizado em · Por Luis Henrique Cuba
Três caminhos, do mais simples ao mais completo
Projetos e cadernos prontos
No ChatGPT e no Claude, um Projeto reúne arquivos e instruções; as conversas dentro dele usam esses arquivos como referência. O NotebookLM, do Google, responde a partir das fontes que você adiciona e mostra citações dos trechos usados. Bom para uma pessoa ou equipe pequena consultar manuais, contratos ou apostilas. Os limites de arquivos variam por plano.
Busca em arquivos gerenciada pela API
A OpenAI oferece a ferramenta file search: você sobe os arquivos para um vector store e o modelo busca neles e devolve citações com o nome do arquivo. Serve quando a consulta precisa estar dentro de um sistema seu, como o portal do cliente ou um bot interno, sem montar toda a infraestrutura.
RAG próprio
Você controla cada etapa: extração do texto, divisão em trechos, banco vetorial (como o PostgreSQL com a extensão pgvector), busca e montagem da resposta. Dá mais trabalho, mas é o caminho quando cada usuário só pode ver certos documentos, quando a base muda todo dia ou quando você precisa medir e ajustar a busca.
Como o RAG funciona por dentro
- 01
Extrair o texto
PDFs, documentos do Word, páginas da intranet e planilhas viram texto puro. Este é o passo em que mais coisa dá errado.
- 02
Dividir em trechos
Cada documento é cortado em pedaços de alguns parágrafos, de preferência respeitando seções e títulos. Trechos grandes demais trazem ruído; pequenos demais perdem o contexto.
- 03
Gerar os embeddings
Cada trecho vira um vetor numérico que representa o significado. Perguntas com palavras diferentes, mas o mesmo sentido, ficam perto desses vetores.
- 04
Guardar com metadados
Junto com o vetor, guarde o nome do documento, a página, a data de vigência, a área e quem pode ver. São esses metadados que permitem filtrar e citar a fonte.
- 05
Buscar os trechos relevantes
A pergunta do usuário também vira vetor, e o sistema traz os trechos mais próximos. Combinar busca por significado com busca por palavra-chave ajuda com códigos de produto, números de cláusula e siglas.
- 06
Responder com citação
O modelo recebe a pergunta e os trechos, com a instrução de responder só com base neles e dizer de onde tirou cada informação.
Prepare os documentos antes de culpar a IA
Quando um RAG responde mal, a causa mais comum está nos arquivos, não no modelo. Vale gastar um dia arrumando a base antes de ligar qualquer coisa.
- PDFs escaneados (imagem de papel) passaram por OCR. Abra o PDF e tente selecionar o texto: se não seleciona, a IA também não lê.
- Versões antigas foram removidas ou marcadas como vencidas. Duas versões da mesma política geram respostas contraditórias.
- Tabelas importantes foram conferidas depois da extração. Colunas desalinhadas mudam o sentido de preços e prazos.
- Cada documento tem título claro, data e área responsável.
- Documentos com dados pessoais ou restritos estão separados e com regra de acesso definida.
- Existe um responsável por atualizar a base quando um documento muda.
Instrução de resposta para um assistente de documentos
Responda à pergunta usando apenas os trechos de documentos abaixo.
Regras:
- Se a resposta não estiver nos trechos, diga: "Não encontrei isso nos documentos
disponíveis" e sugira a quem perguntar. Não complete com conhecimento geral.
- Cite a fonte de cada informação no formato (Documento, página).
- Se dois trechos se contradizem, mostre os dois e informe as datas de cada um.
- Não arredonde valores, prazos nem percentuais. Copie como estão no documento.
Trechos:
{trechos_recuperados}
Pergunta: {pergunta}Como medir se a IA está acertando
- 01
Monte 30 perguntas de teste
Peça a quem conhece os documentos perguntas reais do dia a dia, com a resposta correta e o documento de onde ela sai. Inclua umas cinco perguntas cuja resposta não está na base.
- 02
Rode todas e classifique
Para cada resposta, marque: correta com fonte certa, correta com fonte errada, errada, ou "não sei" quando deveria saber. As perguntas fora da base só passam se a IA disser que não encontrou.
- 03
Olhe primeiro a busca
Quando a resposta erra, veja se o trecho certo foi recuperado. Se não foi, o problema é extração, divisão ou busca. Se foi e o modelo errou mesmo assim, ajuste a instrução.
- 04
Repita a cada mudança
Trocou o modelo, o tamanho dos trechos ou subiu documentos novos? Rode as mesmas 30 perguntas e compare com a rodada anterior.
Erros comuns em projetos de RAG
Ignorar permissão por usuário
Se todos os documentos estão no mesmo índice sem filtro, o estagiário pode receber trechos da planilha de salários. O filtro de acesso precisa acontecer na busca, antes de o trecho chegar ao modelo.
Base que nunca é atualizada
O assistente continua respondendo com a tabela de preços do ano passado porque ninguém tirou o arquivo antigo.
Esperar que planilhas funcionem como texto
Perguntas do tipo "qual o total de vendas de março" pedem consulta a dados estruturados (SQL ou fórmula), não busca em trechos. Misturar os dois exige outra arquitetura.
Testar só com perguntas fáceis
Quem montou o sistema sabe como perguntar. Os usuários não. Use perguntas escritas por quem vai usar.
Como fazer a IA responder com base nos meus documentos: dúvidas comuns
Preciso treinar um modelo com os meus documentos?
Na grande maioria dos casos, não. O RAG busca a informação na hora da pergunta, sem alterar o modelo, e permite atualizar a base trocando um arquivo. Ajuste fino (fine-tuning) serve para ensinar estilo ou formato, não para guardar fatos que mudam.
Meus documentos ficam seguros?
Depende da ferramenta e do plano. Nos planos empresariais e nas APIs da OpenAI e da Anthropic, os fornecedores informam que não usam os dados para treinar modelos por padrão. Ainda assim, defina quem acessa cada documento e não suba arquivos que a política da empresa não permite.
A IA ainda pode inventar respostas?
Pode, principalmente quando a busca traz o trecho errado ou quando a instrução não manda dizer "não encontrei". Citação da fonte e testes com perguntas fora da base reduzem bastante o problema, mas respostas usadas com clientes ou em decisões importantes ainda merecem conferência.
Dá para colocar isso no WhatsApp ou no site?
Dá. O RAG é a parte que encontra a resposta; o WhatsApp, o site ou o chat interno são só a porta de entrada. Ferramentas como o n8n ligam as duas pontas. O cuidado extra é com quem pode perguntar o quê, já que o público é externo.
Quantos documentos cabem?
Nos Projetos e no NotebookLM, o limite depende do plano e muda com frequência; consulte a página de ajuda da ferramenta. Num RAG próprio, o limite prático é o custo de armazenamento e a qualidade da busca, e não o modelo.
Perguntas parecidas
Precisa de ajuda para resolver isso na sua empresa?
Respondemos em até 24 horas com as próximas perguntas e uma proposta objetiva.