RAG na Prática

Se você já perguntou a um modelo de linguagem algo específico do seu negócio e recebeu uma resposta convincente, porém errada — este livro existe para resolver exatamente esse problema.

RAG na Prática é o guia técnico completo, em português, sobre Retrieval-Augmented Generation (RAG): a arquitetura que transformou LLMs genéricos em assistentes confiáveis, atualizados e capazes de responder com base em conhecimento real e verificável — não apenas no que foi memorizado durante o treinamento.

Com mais de 300 páginas de conteúdo técnico aprofundado, este livro leva você do zero à produção: desde os fundamentos de embeddings e bancos de dados vetoriais, passando por estratégias de chunking, busca híbrida, re-ranking e engenharia de prompt, até técnicas avançadas como HyDE, Multi-hop RAG, Graph RAG e Corrective RAG. Você também vai aprender a avaliar sistemas RAG com rigor (métricas de recuperação e geração, RAGAS, avaliação humana), colocar sistemas em produção com segurança e controle de custo, e proteger dados sensíveis em conformidade com a LGPD.

Cada capítulo combina teoria sólida com exemplos de código funcionais em Python, diagramas ilustrativos, estudos de caso reais, boas práticas, armadilhas comuns e exercícios práticos — culminando em um estudo de caso completo que integra todos os conceitos na construção de um assistente RAG do zero ao deploy.

Este não é um livro sobre "prompts mágicos". É um manual de engenharia para quem precisa construir sistemas de IA generativa que funcionem de verdade, com qualidade mensurável e confiabilidade auditável.

Você vai aprender a:
- Entender por que RAG reduz alucinações de LLMs (e por que não as elimina completamente)
- Escolher e avaliar modelos de embeddings para português e domínios técnicos
- Projetar estratégias de chunking que preservam contexto e estrutura (incluindo tabelas)
- Implementar busca híbrida (densa + BM25) com re-ranking de alta precisão
- Escrever prompts que maximizam fidelidade e permitem citação de fontes
- Escolher entre LangChain, LlamaIndex e implementações próprias
- Aplicar técnicas avançadas: HyDE, decomposição de consultas, Multi-hop, Graph RAG, Self-RAG e CRAG
- Avaliar sistemas RAG com métricas objetivas (Recall@k, MRR, faithfulness, RAGAS)
- Colocar RAG em produção com controle de latência, custo e escalabilidade
- Proteger dados sensíveis e implementar controle de acesso, isolamento multi-tenant e conformidade com a LGPD

Ideal para desenvolvedores, engenheiros de machine learning, arquitetos de software e profissionais de dados que querem ir além de tutoriais superficiais e construir sistemas RAG robustos, testáveis e prontos para uso real.