# Geração aumentada por recuperação (RAG) > A geração aumentada por recuperação (RAG) é uma técnica de IA em que o sistema primeiro recupera trechos relevantes de uma base de conhecimento definida, como guias agronômicos ou regulamentos, e depois faz um modelo de linguagem gerar uma resposta ancorada nesses trechos, muitas vezes com citações. Também conhecido como: RAG, geração ancorada, IA aumentada por recuperação ## Por que isso importa? Na agricultura e na conformidade, as respostas precisam servir a uma cultura, região, safra ou texto legal específicos. Sozinho, um modelo de linguagem pode produzir orientações fluentes, mas imprecisas. O RAG ancora as respostas em um conjunto curado de conhecimento, como manuais de extensão rural, [boas práticas agrícolas](/glossary/good-agricultural-practices/), padrões de certificação ou a [EUDR](/glossary/eudr/) (Regulamento da UE sobre Desmatamento), que pode ser atualizado sem retreinar o modelo. A abordagem foi descrita em uma pesquisa de Lewis e colegas (2020). ## Como funciona? 1. **Construir a base de conhecimento**: reunir e revisar documentos, dividi-los em trechos e indexá-los. 2. **Recuperar**: para cada pergunta, encontrar os trechos mais relevantes, muitas vezes por busca semântica. 3. **Gerar**: entregar os trechos e a pergunta a um modelo de linguagem, instruindo-o a responder com base neles. 4. **Citar e avaliar**: mostrar as fontes, testar as respostas com perguntas revisadas por especialistas e coletar o feedback dos usuários. ## Erros comuns - Uma base de conhecimento desatualizada ou não adaptada às condições locais. - Misturar fontes de confiabilidade diferente sem hierarquizá-las. - Nenhum conjunto de avaliação, de modo que a qualidade é desconhecida. - Respostas em um idioma ou nível de leitura que os produtores não usam. O [agrônomo de IA](/services/ai-agronomist/) da Farmer1st usa respostas ancoradas em conhecimento agronômico revisado para apoiar os produtores e as equipes que trabalham com eles. ## Perguntas frequentes ### Por que usar RAG em vez de um chatbot genérico? Um modelo genérico responde com base no que aprendeu no treinamento, o que pode estar desatualizado, ser genérico ou estar errado para o contexto local. O RAG restringe as respostas a fontes validadas e atuais e permite mostrar qual fonte sustenta a resposta. ### O RAG elimina os erros da IA? Não. Ele reduz as respostas sem fundamento, mas depende da qualidade e da cobertura da base de conhecimento, da etapa de recuperação e da avaliação. A revisão humana e os ciclos de feedback continuam importantes. ## Fontes - [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv)](https://arxiv.org/abs/2005.11401)