RAG no n8n: por que seu agente responde errado sem contexto

RAG é a técnica que faz o agente responder com base nos seus documentos, e não só no que o modelo aprendeu no treinamento. O nome vem de geração aumentada por recuperação, e o mecanismo é simples de entender: antes de responder, o sistema busca os trechos relevantes na sua base e entrega esses trechos ao modelo junto com a pergunta. Sem isso, o agente inventa — não por má-fé, mas porque foi treinado para sempre produzir uma resposta.

O problema que ele resolve

Pergunte a qualquer modelo qual é a política de troca da sua loja. Ele vai responder. E a resposta vai estar errada, porque ele nunca viu essa política — vai produzir algo plausível, que é o comportamento esperado dele.

Duas formas de resolver isso:

Colocar tudo na instrução. Funciona quando a informação é pequena e estável. Para um manual de duzentas páginas, não funciona: estoura o limite de contexto, encarece cada chamada e piora a qualidade, porque o modelo se perde em texto irrelevante.

Buscar só o pedaço relevante. É o RAG. Em vez de mandar o manual inteiro, manda-se os três parágrafos que respondem àquela pergunta.

Como funciona, em duas fases

Fase 1 — Preparar a base (uma vez)

1. Carregar os documentos: PDF, páginas, planilhas, artigos.

2. Dividir em pedaços menores, porque documento inteiro é grande demais para ser útil como contexto.

3. Converter cada pedaço em vetor — uma representação numérica do significado.

4. Guardar esses vetores num banco vetorial.

Fase 2 — Responder (a cada pergunta)

1. A pergunta do usuário também vira vetor.

2. O sistema busca no banco os trechos com significado mais próximo.

3. Esses trechos são entregues ao modelo junto com a pergunta.

4. O modelo responde usando esse material.

Por que vetor e não busca por palavra

Aqui está o motivo de toda essa maquinaria existir.

Busca tradicional procura as palavras exatas. Se o cliente pergunta "posso devolver?" e o seu manual usa "política de restituição", a busca por palavra não encontra nada.

A busca vetorial trabalha por significado. Como a documentação explica, o banco vetorial armazena a informação como conjuntos de números que representam características do texto, o que permite buscar por proximidade semântica em vez de correspondência literal. "Devolver" e "restituição" ficam próximos nesse espaço, mesmo sem compartilhar uma letra.

É o mesmo princípio de recomendação por semelhança: sistemas que sugerem pratos parecidos a partir de uma foto usam a mesma ideia — comparar representações numéricas, não rótulos.

Onde o RAG falha

Vale conhecer antes de culpar o modelo:

Pedaços mal dimensionados. Se o corte separou a pergunta da resposta, o trecho recuperado não serve. É a causa número um de resposta ruim com base própria — e assunto da aula sobre divisão de texto.

A informação não está na base. O sistema recupera o mais próximo que existe, mesmo quando nada responde de verdade. O modelo então usa material irrelevante e responde errado com convicção.

Base desatualizada. Documento mudou e ninguém reprocessou. O agente responde com a versão antiga, com toda a segurança do mundo.

Pergunta ambígua. "Quanto custa?" sem dizer o quê recupera qualquer coisa que fale de preço.

A proteção que muda tudo

Uma instrução simples reduz drasticamente a invenção:

Sem isso, o modelo mistura o que recuperou com o que "acha" — e o resultado fica pior que não ter RAG, porque parece fundamentado.

Teste sempre com perguntas cuja resposta não está na base. Um sistema saudável responde "não tenho essa informação". Um sistema mal configurado inventa — e você só descobre quando um cliente cobra o que o robô prometeu.

RAG busca os trechos relevantes da sua base e entrega ao modelo junto com a pergunta. Funciona por significado, não por palavra. E precisa de instrução explícita para admitir quando não sabe.

Perguntas frequentes