Otimize a Relevância da Sua Pesquisa
Nesta página
A qualidade dos resultados depende de si
O motor de pesquisa da xAI é potente, mas apenas funciona com o material que lhe fornece. Uma coleção mal preparada produz resultados medíocres, mesmo com o melhor modelo, levando as equipas a concluir erroneamente que “o RAG não funciona”. O utilizador controla três alavancas: a estrutura dos documentos, a formulação das consultas e a organização da coleção. Esta lição examina-as por esta ordem e, de seguida, propõe um método para medir o seu progresso.
Preparar documentos para fragmentação
O motor baseia-se na estrutura do documento para dividir o conteúdo em fragmentos: títulos, subtítulos e parágrafos servem de marcadores. Um cabeçalho como “Política de Reembolso para Compras Online” confere ao fragmento uma identidade clara e torna-o localizável; “Secção 3.2.1” não fornece qualquer sinal útil para a fragmentação ou correspondência semântica. Renomear os cabeçalhos num manual interno antes da indexação é, frequentemente, a otimização com maior retorno sobre o investimento em todo o projeto.
O tamanho do documento é o próximo fator importante. Um PDF de 500 páginas gera centenas de fragmentos que competem entre si: quanto maior e mais variado for o corpus interno de um documento, maior é o risco de um excerto irrelevante obter uma pontuação elevada. Divida estes monólitos em secções temáticas, visando documentos de vinte a cinquenta páginas dedicados a um único assunto, em vez de um documento omnibus que aborde tudo.
Depois, há a questão do contexto. Cada fragmento é lido isoladamente, separado do que o precede, o que condena as referências anafóricas. Uma frase como “conforme mencionado acima, este prazo aplica-se também a encomendas grossistas” torna-se inutilizável assim que fragmentada: nem o prazo nem o seu sujeito aparecem no fragmento. Escreva “o período de desistência de catorze dias aplica-se também a encomendas grossistas” e o fragmento manter-se-á autónomo.
Escrever consultas melhores
A precisão da consulta pesa tanto quanto a qualidade do corpus. Uma pesquisa por “segurança” devolve dezenas de excertos díspares, desde palavras-passe até ao controlo de acesso físico; “configuração da firewall para ligações de entrada na porta 443” visa imediatamente as duas ou três passagens úteis. Quando os seus documentos utilizam vocabulário técnico estabelecido, reutilize-o: mesmo no modo híbrido, que mistura correspondência exata e compreensão semântica, o termo literal permanece um sinal forte.
Prefira perguntas completas a pacotes de palavras-chave. “Tempo limite de ligação à API” deixa o motor a adivinhar a sua intenção, enquanto “Como configuro o tempo limite de ligação à API?” fornece uma estrutura gramatical para corresponder às frases indexadas. O ganho é particularmente claro no modo semântico, que foi concebido para linguagem natural.
Aproveitar metadados e organização
Se declarou metadados com inject_into_chunk, estes são incorporados no texto indexado e tornam-se pontos de ancoragem. Um campo department injetado em cada fragmento significa que a consulta “procedimento de validação na equipa de marketing” faz surgir espontaneamente documentos do departamento de marketing, sem qualquer filtro explícito definido.
A organização temática da coleção produz o mesmo efeito numa escala superior. Em vez de uma única coleção que contenha tudo, separe col_docs_techniques para documentação técnica, col_procedures_internas para processos e col_support_client para FAQs e guias do utilizador. Um assistente virado para o cliente consulta então apenas o terceiro: menos documentos para pesquisar significam resultados mais precisos e um custo menor, uma vez que não são feitas chamadas a coleções inúteis. O modo de pesquisa completa esta definição: keyword para código ou referência exata, semantic para uma questão conceptual, hybrid em caso de dúvida e por predefinição.
Medir antes de implementar
Nada disto importa sem avaliação. Antes da produção, construa um conjunto de testes: formule dez a vinte perguntas que representem casos reais, aquelas que os seus utilizadores realmente fazem, e não as que imagina. Execute-as, avalie a relevância dos resultados devolvidos e anote as consultas que retornam excertos inadequados. Estas indicam-lhe o que corrigir: melhore a estrutura do documento relevante, adicione metadados ou reformule a própria consulta.
As pontuações servem de termómetro durante este ciclo. Cada resultado carrega um valor entre 0 e 1; se as suas consultas típicas se limitarem consistentemente a valores abaixo de 0,5, não procure o problema no lado do modelo. Ou os seus documentos estão mal estruturados, as suas perguntas permanecem demasiado vagas ou, mais frequentemente e mais mal diagnosticado, o seu corpus simplesmente não contém nada sobre o assunto solicitado. Voltar a executar este mesmo conjunto de perguntas após cada modificação diz-lhe, com números, se está a progredir.
Pontos-chave
- A qualidade dos resultados depende da estrutura do documento, da precisão da consulta e da organização da coleção
- Títulos explícitos e tamanhos de documento razoáveis melhoram a fragmentação
- Perguntas completas em linguagem natural produzem melhores resultados do que palavras-chave isoladas
- Os metadados
inject_into_chunkenriquecem os fragmentos e melhoram a relevância - Teste as suas coleções com consultas típicas antes da implementação em produção