Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Pesquisa de Ficheiros vs. RAG Personalizado: Quando Utilizar Cada Um

Aula 16 de 22 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. Objetivos
  2. Pesquisa de Ficheiros: O RAG Gerido da OpenAI
  3. O Que a Pesquisa de Ficheiros Oferece e o Que Retira
  4. Matriz de Decisão
  5. Arquitetura Híbrida: O Melhor dos Dois Mundos
  6. Pontos-chave

Objetivos

  • Compreender o RAG gerido pela OpenAI (Pesquisa de Ficheiros)
  • Comparar a Pesquisa de Ficheiros com um pipeline RAG personalizado
  • Escolher a abordagem correta para o seu caso de uso

Pesquisa de Ficheiros: O RAG Gerido da OpenAI

Acabou de construir todas as camadas de um pipeline RAG, lição após lição. A Pesquisa de Ficheiros faz tudo isto por si. É uma ferramenta integrada na API de Respostas da OpenAI que gere automaticamente a fragmentação, a incorporação (embedding), o armazenamento vetorial e a pesquisa: carrega os seus ficheiros e efetua consultas. Esta lição não rejeita o que foi aprendido anteriormente, mas coloca uma questão honesta que deve fazer antes de escrever qualquer código: qual é o nível de abstração adequado para o seu projeto?

Tudo começa com um armazenamento vetorial (vector store), o contentor que aloja os seus documentos indexados. Cria-o, envia ficheiros um a um e aguarda a conclusão da indexação antes de consultar. Este ciclo de espera não é cosmético: a indexação é assíncrona e uma consulta lançada demasiado cedo verá apenas parte do corpus.

from openai import OpenAI

client = OpenAI()

# 1. Create a vector store
vector_store = client.vector_stores.create(
    name="product-documentation"
)
print(f"Vector store created: {vector_store.id}")

# 2. Upload files
files = ["user_guide.pdf", "faq.md", "changelog.txt"]

for file in files:
    with open(file, "rb") as f:
        file_obj = client.files.create(file=f, purpose="assistants")
        client.vector_stores.files.create(
            vector_store_id=vector_store.id,
            file_id=file_obj.id
        )
        print(f"  Uploaded: {file}")

# Wait for indexing to complete
import time
while True:
    vs = client.vector_stores.retrieve(vector_store.id)
    if vs.file_counts.completed == vs.file_counts.total:
        break
    time.sleep(2)
print("Indexing complete")

A consulta requer apenas uma chamada: declara a ferramenta file_search com o ID do armazenamento e o modelo decide quando recuperar informações. A parte interessante reside na leitura das anotações, que contêm as citações dos ficheiros. Isto permite-lhe apresentar as fontes ao utilizador — um comportamento que teve de implementar manualmente no pipeline personalizado.

# Query with File Search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the new features in v3.2?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

# Access cited sources
for annotation in response.output:
    if hasattr(annotation, "annotations"):
        for ann in annotation.annotations:
            if ann.type == "file_citation":
                print(f"  Source: file {ann.file_citation.file_id}")

Duas definições permitem-lhe afinar o comportamento sem sair da ferramenta gerida. max_num_results define o número de fragmentos recuperados e score_threshold filtra resultados com pontuação baixa, exatamente como o limiar de relevância que aplicou após a reclassificação (reranking).

response = client.responses.create(
    model="gpt-5.6-terra",
    input="How do I configure SSO?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,         # Number of chunks to retrieve
        "ranking_options": {
            "ranker": "auto",           # Automatic ranker
            "score_threshold": 0.3      # Relevance threshold
        }
    }]
)

O Que a Pesquisa de Ficheiros Oferece e o Que Retira

O argumento decisivo para a Pesquisa de Ficheiros é a ausência total de infraestrutura: nenhuma base de dados vetorial para aprovisionar, fazer cópias de segurança ou monitorizar. A fragmentação é feita por si e otimizada pela OpenAI; atualizar o corpus é tão simples quanto adicionar ou remover um ficheiro; as citações são geradas automaticamente e os formatos comuns são suportados nativamente — PDF, DOCX, MD, TXT, HTML, JSON, entre outros. Uma equipa sem experiência em infraestrutura pode colocar uma base de conhecimento online numa tarde.

O reverso desta conveniência é a perda de controlo sobre cada elo da cadeia. Não escolhe o tamanho dos fragmentos, pelo que o compromisso precisão/contexto da Lição 12 fica fora do seu alcance. A pesquisa é puramente semântica: sem pesquisa híbrida, pelo que referências a produtos e códigos de erro exatos permanecem frágeis. Também não pode integrar a Cohere ou um codificador cruzado (cross-encoder) desenvolvido internamente para reclassificação. Acrescente a isto mais três considerações estratégicas: o armazenamento vetorial é faturado adicionalmente às chamadas à API, os seus dados residem nos servidores da OpenAI e a indexação abrange apenas texto.

Um pipeline personalizado inverte esta lista termo a termo. Domina a fragmentação, a incorporação, a pesquisa, a reclassificação e a criação de prompts; combina pesquisa semântica e lexical; mistura fornecedores de modelos ou mantém tudo no local (on-premise) se os seus dados o exigirem; e, acima de tudo, otimiza cada componente independentemente medindo o seu efeito. Este controlo tem um custo: código para escrever e manter, uma base de dados vetorial para administrar e especialização — a fragmentação, a avaliação e a reclassificação não se improvisam, que é precisamente o que este curso aborda.

Matriz de Decisão

CritérioPesquisa de FicheirosRAG Personalizado
Prototipagem rápida✅ Ideal⚠️ Mais lento
Controlo da fragmentação❌✅
Pesquisa híbrida❌✅
Dados sensíveis⚠️ Na OpenAI✅ No local (On-premise)
Custo à escala⚠️ Pode ser elevado✅ Previsível
Manutenção✅ Zero⚠️ A gerir
Desempenho máximo⚠️ Bom✅ Otimizável

Arquitetura Híbrida: O Melhor dos Dois Mundos

A escolha não tem de ser definitiva e não deve sê-lo. A abordagem mais rentável consiste em começar com a Pesquisa de Ficheiros para validar que o seu caso de uso é viável, mudando depois para um pipeline personalizado no dia em que atingir um limite identificado. Encapsular ambos atrás de um único método respond torna esta mudança indolor para o resto da sua aplicação.

class HybridRAG:
    """Start with File Search, switch to custom if needed."""

    def __init__(self, mode: str = "file_search"):
        self.client = OpenAI()
        self.mode = mode

    def respond_file_search(self, question: str, vs_id: str) -> str:
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=question,
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id]
            }]
        )
        return response.output_text

    def respond_custom(self, question: str, pipeline) -> str:
        result = pipeline.respond(question)
        return result["response"]

    def respond(self, question: str, **kwargs) -> str:
        if self.mode == "file_search":
            return self.respond_file_search(
                question, kwargs["vs_id"]
            )
        else:
            return self.respond_custom(
                question, kwargs["pipeline"]
            )

Quando a migração se torna necessária, segue uma ordem precisa:

  1. Exporte os seus ficheiros do armazenamento vetorial
  2. Implemente a fragmentação adaptada ao seu conteúdo
  3. Gere incorporações com text-embedding-3-large
  4. Indexe numa base de dados vetorial (Qdrant, Pinecone, etc.)
  5. Adicione reclassificação e pesquisa híbrida
  6. Avalie com o seu conjunto de dados de teste
  7. Compare as métricas com a Pesquisa de Ficheiros antes de mudar

O último passo é o que é mais frequentemente ignorado, e é o único que justifica todo o resto: sem uma comparação quantitativa, pode ter substituído um sistema gerido decente por um caseiro inferior, acrescido da sobrecarga de manutenção.

Pontos-chave

  • A Pesquisa de Ficheiros é ideal para prototipar rapidamente um sistema RAG sem infraestrutura
  • Um pipeline RAG personalizado oferece controlo total e desempenho otimizável
  • Comece com a Pesquisa de Ficheiros, migre para personalizado quando atingir limites
  • Critérios de decisão: controlo, dados sensíveis, custo, desempenho