TLDR;

RAG (Retrieval Augmented Generation) é uma abordagem que combina busca em bases externas com modelos de linguagem para enriquecer respostas com informações atualizadas e fontes. A evolução foi de buscas por palavras-chave e índices invertidos para buscas semânticas e pipelines RAG lineares, culminando em agentes que tomam decisões dinâmicas sobre quando, onde e como recuperar e validar informações. Agentic RAG traz comportamento adaptativo, pesquisa multietapas, comparação e validação de fontes e integração de múltiplas ferramentas e bases, reduzindo alucinações e melhorando precisão em domínios específicos.

Resumo

O texto traça a evolução das buscas desde os primeiros sistemas por palavras-chave, baseados em índices invertidos e algoritmos de ranking como TF-IDF e BM25, que eram rápidos e precisos em correspondência literal mas incapazes de entender sentido, sinônimos ou intenção, até a chegada da busca semântica, que usa embeddings vetoriais gerados por redes neurais para representar significado e aproximar conceitos relacionados. Em seguida aparecem sistemas híbridos que combinam precisão de palavras-chave com recall semântico, e depois os grandes modelos de linguagem (LLMs), potentes na geração de texto mas limitados por conhecimentos fixos adquiridos no treinamento. A solução foi o RAG (retrieval-augmented generation), que combina busca em bases externas com LLMs para fornecer memória externa, citar fontes e atualizar informações sem retrainings caros; inicialmente linear, com embeddings offline e recuperação única, o RAG evoluiu com rerankers, reformulação de consultas e retrieval híbrido. O próximo passo são agentes: sistemas autônomos que orquestram LLMs, memórias, planejadores, retrievers e ferramentas, decidindo quando e onde buscar, reavaliando fontes, iterando consultas e integrando dados multimodais. Assim, a busca deixa de ser fixa e vira parte do raciocínio, permitindo pesquisa em múltiplas etapas, síntese cross-document e comportamento adaptativo — o verdadeiro desafio não é gerar respostas, mas saber o que pesquisar.