Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Citações com Fontes: Objeto de Referência e RAG

Aula 8 de 16 Atualizada a 3 de novembro de 2026 Avancado
Nesta página
  1. Por que as citações são essenciais em produção
  2. O formato de referência
  3. Arquitetura do pipeline RAG com citações
  4. Boas práticas para excertos (snippets)
  5. Pontos-chave

Atualizado em 3 de novembro de 2026 com base no guia Citations & References da Mistral: as fontes são transmitidas como resultado de uma ferramenta num objeto onde as chaves são números ("0", "1"…) e os valores contêm url, title, snippets (lista de listas), description, date e source. O “Objeto de Referência” com os campos type, reference_id e source_id da versão anterior não aparece na documentação, tal como limiares específicos para o número de fontes. Fonte: Citations & References.

Por que as citações são essenciais em produção

Quando implementa um sistema de Geração Aumentada por Recuperação (RAG) em produção, os seus utilizadores precisam de verificar as respostas do modelo. Uma resposta sem fonte é uma afirmação inverificável. As citações transformam uma resposta de IA numa resposta documentada, rastreável e fiável.

A Mistral AI integra nativamente um mecanismo de citação que permite ao modelo basear as suas respostas em documentos fonte e fornecer referências precisas. O modelo foi profundamente treinado para se fundamentar em documentos e extrair passagens relevantes.

O formato de referência

Na Mistral, as fontes não passam por um parâmetro dedicado: chegam ao modelo como resultado de uma chamada de ferramenta. A sua ferramenta devolve um objeto JSON onde cada chave é um número de fonte ("0", "1", "2"…) e cada valor descreve a fonte:

references = {
    "0": {
        "url": "https://docs.example.com/guide",
        "title": "Deployment Guide v3.2",
        "snippets": [
            [
                "Production deployment requires verification...",
                "Load tests must validate at least 1000 req/s..."
            ]
        ],
        "description": None,
        "date": "2026-03-15",
        "source": "docs-deployment"
    }
}

Campos de referência

  • A chave ("0", "1"…) — o identificador da fonte, que o modelo reutiliza nas suas citações
  • url — o endereço da fonte original
  • title — o título da fonte, para exibição
  • snippets — os excertos relevantes, como uma lista de listas de frases: este é o conteúdo que o modelo usa para fundamentar a sua resposta
  • description — uma breve descrição, ou None
  • date — a data de publicação ou atualização
  • source — a origem da fonte (uma base de dados de documentos, um sítio web)

Arquitetura do pipeline RAG com citações

O fluxo de trabalho completo divide-se em quatro passos.

1. Pesquisa de documentos

O seu sistema de recuperação (Elasticsearch, Pinecone, pgvector, etc.) devolve os documentos relevantes para a consulta do utilizador.

2. Construção das referências

Estrutura os documentos recuperados neste formato:

def build_references(search_results):
    """Converte os resultados da pesquisa para o formato de referência da Mistral."""
    return {
        str(i): {
            "url": result.get("url", ""),
            "title": result["title"],
            "snippets": [result["relevant_passages"]],
            "description": None,
            "date": result.get("date"),
            "source": result.get("collection", "default"),
        }
        for i, result in enumerate(search_results)
    }

3. Chamada ao modelo com uma ferramenta

Declara uma ferramenta que o modelo chama para obter as fontes. Quando chamada, o seu código devolve json.dumps(references) numa ToolMessage, retomando depois a conversa (próxima lição).

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

get_information_tool = {
    "type": "function",
    "function": {
        "name": "get_information",
        "description": "Retrieves relevant document sources",
        "parameters": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"]
        }
    }
}

4. O modelo cita as suas fontes

A resposta final não é uma simples cadeia de caracteres: o seu conteúdo alterna entre objetos TextChunk e ReferenceChunk, onde o campo reference_ids contém os números das fontes citadas — 0 para a chave "0". Consulta estes valores na sua tabela de referências para exibir títulos e ligações.

Boas práticas para excertos (snippets)

A qualidade da citação depende diretamente da qualidade dos excertos, e a primeira configuração a observar é o seu comprimento. Um excerto de duas a cinco frases fornece ao modelo uma passagem densa e utilizável; um excerto que abrange uma página inteira dilui a informação relevante a ponto de o modelo citar a fonte sem realmente se fundamentar nela. Tenha cuidado para não cortar demasiado curto, contudo: um excerto arrancado do seu contexto pode ser mal interpretado — “a taxa sobe para 20%” não significa nada se a frase anterior, que especificava qual a taxa, tiver sido cortada.

O número de fontes desempenha o mesmo papel que o comprimento, à escala da consulta: cada fonte adicionada custa tokens de contexto, sejam citados ou não. Comece com um punhado de fontes e verifique, nos reference_ids, quais são as que o modelo utiliza realmente antes de adicionar mais. Por fim, quando o tempo é importante (documentação versionada, preços, regulamentações), preencha o campo date para cada fonte: esta é uma informação que o modelo pode utilizar e que você pode exibir.

Pontos-chave

  • As fontes passam através do resultado de uma ferramenta, indexadas por número ("0", "1"…), com URL, título, excertos e metadados
  • O modelo Mistral é nativamente treinado para fundamentar as suas respostas nas fontes fornecidas
  • Os excertos devem ser concisos e contextualizados para citações de alta qualidade
  • Limite-se a 3–7 referências por consulta para uma utilização ótima
  • As citações transformam as respostas de IA em informação verificável e rastreável