A maioria dos assistentes de IA que erram em atendimento não erra por falta de inteligência do modelo. Erra porque a base de documentos que o alimenta está desatualizada, contraditória ou mal organizada. A técnica que conecta o modelo a esses documentos se chama geração aumentada por recuperação (RAG, de Retrieval-Augmented Generation): em vez de responder só com o que aprendeu no treinamento, o sistema busca trechos relevantes na sua base e responde com base neles.
O ponto que costuma ser ignorado é que a qualidade da resposta depende da qualidade do que foi indexado. O guia de design e avaliação de RAG da Microsoft afirma que a qualidade da recuperação depende diretamente da qualidade dos dados indexados. Este artigo mostra como preparar os documentos da empresa: o que entra e o que fica de fora, como limpar, como estruturar, como dividir em trechos, quais metadados registrar e como testar antes de colocar o assistente em produção. Para o lado do atendimento, o guia de agente de IA no WhatsApp complementa este conteúdo. Para ver onde a base entra em um agente completo, consulte também o guia de agentes de IA.
Como o RAG usa a sua base de conhecimento
Segundo a Microsoft, o RAG tem dois fluxos. No fluxo de consulta, a aplicação recebe a pergunta, busca no índice, monta um prompt com os N melhores resultados e chama o modelo. No pipeline de dados, os documentos passam por chunking (divisão em trechos com uma ideia cada), enriquecimento com metadados (como título, resumo e palavras-chave), vetorização (embeddings) e gravação no índice. Tudo o que você faz na preparação dos documentos acontece antes do pipeline de dados e define o teto de qualidade das respostas.
- 1Coleta. Políticas, FAQ, catálogo, manuais e scripts de atendimento.
- 2Curadoria e limpeza. Remover o desatualizado, o duplicado e o ruído de formatação.
- 3Divisão em trechos. Cada trecho com uma ideia e contexto suficiente.
- 4Enriquecimento. Título, categoria, versão, vigência e dono em cada trecho.
- 5Vetorização e indexação. O trecho vira um vetor e entra no índice.
- 6Busca. Para cada pergunta, o sistema traz os trechos mais próximos.
- 7Resposta. O modelo escreve com base nos trechos e, de preferência, cita a fonte.
O diagrama lista sete etapas em ordem vertical. Quase todos os problemas percebidos pelo cliente no fim da fila (resposta errada, resposta desatualizada, “não sei” para algo que está no site) nascem nas etapas 2 a 4.
Antes de tudo: você precisa mesmo de RAG?
Para bases pequenas, nem sempre. A Anthropic, em seu artigo sobre recuperação contextual, diz que, se a base tiver menos de cerca de 200 mil tokens, é possível incluir tudo no prompt, sem RAG, e que o prompt caching torna isso mais rápido e barato. Como estimativa da Analytikos (não é número da fonte), em português uma palavra costuma render de 1,3 a 1,5 token. Uma loja com 40 páginas de políticas e FAQ, com 500 palavras por página, soma 20.000 palavras, ou algo entre 26.000 e 30.000 tokens: muito abaixo do limite citado.
Quando a base cresce além disso, ou quando muda o tempo todo, a busca por trechos passa a fazer sentido. A decisão não altera a necessidade de preparar os documentos: uma base pequena e confusa também gera respostas ruins.
Passo 1: defina o escopo com perguntas reais
Comece pelas perguntas, não pelos arquivos. Levante de 50 a 100 perguntas reais do histórico de atendimento (WhatsApp, e-mail, chat) e agrupe por tema: prazo de entrega, troca e devolução, formas de pagamento, garantia, uso do produto, status do pedido. Esse conjunto cumpre dois papéis: mostra quais documentos precisam existir e vira o teste de qualidade no passo 8.
A Microsoft recomenda incluir também perguntas que os documentos não cobrem, para testar os casos em que a resposta correta é “não sei”. Sem isso, o assistente tende a preencher a lacuna com uma resposta inventada. O guia de agente de IA no WhatsApp mostra como combinar esse comportamento com a passagem para humano.
Passo 2: faça o inventário e a curadoria
Liste todas as fontes candidatas e decida, para cada uma, se entra, entra com ajustes ou fica de fora. A tabela organiza as fontes mais comuns.
| Fonte | Problema comum | Tratamento recomendado | Metadados úteis |
|---|---|---|---|
| Políticas (trocas, frete, garantia) | Versões antigas coexistindo | Manter só a versão vigente; arquivar o resto | Versão, vigência, dono |
| FAQ do site | Respostas curtas sem contexto | Reescrever com a pergunta completa e o nome do produto ou política | Tema, produto |
| Catálogo e fichas técnicas | Dados em tabelas e planilhas | Converter cada produto em texto com atributos nomeados | SKU, categoria |
| Manuais e PDFs | Cabeçalhos, rodapés e texto escaneado sem leitura | Limpar ruído e aplicar OCR quando necessário | Produto, idioma, versão |
| Scripts de atendimento | Tom informal e exceções verbais | Documentar exceções e aprovar o texto final | Canal, público |
| Contratos e termos | Linguagem jurídica longa | Resumir com revisão jurídica e manter link para o original | Versão, área responsável |
| Conversas anteriores | Dados pessoais e erros do atendente | Anonimizar e usar apenas exemplos aprovados | Tema, data de aprovação |
Dois cuidados nesta fase. O primeiro é resolver contradições: se a política diz sete dias e o FAQ diz dez, o modelo vai escolher um dos dois, e não necessariamente o certo. O segundo é excluir o que não deve ser respondido pela IA, como dados pessoais de clientes e documentos internos de negociação.
Passo 3: limpe os documentos
A Microsoft descreve a limpeza como etapa de carregamento: remover ou anotar o que deve ser ignorado (marcas d’água, cabeçalhos e rodapés), tratar imagens e tabelas e definir a hierarquia a partir de títulos e subtítulos. Na prática, isso vira uma rotina com cinco tarefas:
- Tirar o ruído: índices, numeração de páginas, avisos repetidos, assinaturas de e-mail.
- Eliminar duplicatas e versões antigas: o mesmo texto em dois arquivos dobra a chance de conflito.
- Reformatar tabelas: transformar linhas em frases completas (“Produto X, tamanho M: 52 cm de largura”).
- Descrever imagens: trocar infográficos e fotos por texto que diga o que importa.
- Normalizar termos: usar o mesmo nome para o mesmo produto, plano ou política em todos os arquivos.
Passo 4: padronize a escrita
Um documento escrito para humanos que leem o texto inteiro não funciona bem quando a IA recebe apenas um trecho dele. Padronize a escrita seguindo seis regras: uma ideia por seção, títulos descritivos, frases completas, siglas definidas, nenhuma referência vaga (“conforme visto acima”, “como no item anterior”) e a política citada pelo nome em cada trecho que a menciona.
A Anthropic explica o motivo: um trecho isolado pode perder informações essenciais. O exemplo do artigo é a frase “a receita cresceu 3%”, que não diz de qual empresa nem de qual trimestre. No atendimento, o equivalente é “o prazo é de 7 dias”: prazo de quê? Uma versão com contexto diz “Prazo de troca por tamanho na loja virtual: 30 dias corridos após o recebimento”.
| Antes (trecho solto) | Depois (trecho autocontido) |
|---|---|
| Conforme item 4.2, o prazo é de 30 dias. Exceções abaixo. | Política de trocas da loja virtual: troca por tamanho ou modelo em até 30 dias corridos após o recebimento, com o produto sem uso e com etiqueta. |
| Frete grátis acima de R$ 299* | Frete grátis para pedidos a partir de R$ 299 em compras no site, para todo o Brasil, exceto produtos marcados como frete especial. |
| Ver tabela de medidas. | Camiseta modelo Base, tamanho M: largura 52 cm e comprimento 70 cm. |
Os exemplos são fictícios, mas ilustram o padrão: o trecho “depois” pode ser lido sozinho e ainda faz sentido. O asterisco do primeiro exemplo (uma regra de exceção escondida em outra página) é um dos maiores causadores de respostas erradas.
Passo 5: divida em trechos (chunking)
Chunking é dividir os documentos em trechos de tamanho adequado, cada um com conteúdo semanticamente relevante. O guia de chunking da Microsoft explica que trechos grandes demais são caros, podem exceder limites do modelo e não geram os melhores resultados, enquanto trechos pequenos demais perdem o contexto. A escolha também é semipermanente: mudar depois afeta todo o fluxo.
| Abordagem | Como funciona | Quando usar |
|---|---|---|
| Tamanho fixo, com sobreposição | Divide por quantidade fixa de tokens ou caracteres; trechos vizinhos se sobrepõem | Texto não estruturado, como e-mails e notas |
| Por estrutura | Usa títulos, seções ou modelos de análise de documentos | Manuais, políticas e páginas com hierarquia |
| Semântica | Agrupa conteúdo parecido com embeddings | Documentos com temas sobrepostos; custo de engenharia maior |
A Microsoft não fixa tamanho nem sobreposição ideais: recomenda definir esses valores por experimentação, conforme o tipo de documento. Para políticas e FAQ de e-commerce, que já têm títulos claros, o chunking por estrutura costuma ser o mais seguro: cada seção com uma pergunta e sua resposta vira um trecho.
Para reduzir a perda de contexto, a Anthropic propõe a recuperação contextual: antes da indexação, cada trecho recebe um contexto curto (em geral de 50 a 100 tokens) gerado a partir do documento inteiro. Nos testes divulgados pela empresa, com os 20 melhores trechos recuperados, a taxa de falha na recuperação caiu de 5,7% para 3,7% com embeddings contextuais, para 2,9% com a combinação de embeddings contextuais e BM25 contextual e para 1,9% com reranking adicional. São resultados da própria Anthropic, em conjuntos de dados específicos; a recomendação central do artigo é avaliar com o seu próprio caso de uso.
Passo 6: enriqueça com metadados
Metadados são os campos que acompanham cada trecho. A Microsoft cita título, resumo e palavras-chave como campos usados em filtros e buscas híbridas, e alerta que metadados inconsistentes ou ausentes limitam filtros e ranqueamento. Para uma base empresarial, os campos mais úteis são:
- Título e tema: o assunto do trecho em uma linha.
- Produto ou categoria: evita responder sobre o produto errado.
- Versão e vigência: permite excluir regras expiradas.
- Público e canal: separa regras de varejo, atacado e marketplace.
- Dono do conteúdo: quem aprova e corrige.
- Link para a fonte original: para citar e para auditar.
Passo 7: governança, segurança e LGPD
Base de conhecimento sem dono vira lixo em poucos meses. Defina responsáveis por tema, um ciclo de revisão (por exemplo, trimestral para políticas e imediato quando uma regra mudar), versionamento e aprovação. Registre quem alterou o quê. Quando um documento sai de vigência, retire-o do índice, e não apenas do site.
Sobre privacidade, evite colocar dados pessoais de clientes na base. Se o assistente precisa consultar o status de um pedido, faça a consulta em um sistema com controle de acesso, e não por documentos indexados. O guia de MCP no marketing trata de como agentes se conectam a sistemas externos. A LGPD (Lei 13.709) exige finalidade, necessidade e segurança no tratamento de dados pessoais; revise com o jurídico o que entra na base, quem pode ver e por quanto tempo fica guardado. Conversas anteriores só devem entrar anonimizadas e aprovadas.
Passo 8: teste e meça antes de publicar
O último passo é o que separa um piloto de um produto. A Microsoft recomenda reunir perguntas de teste junto com os trechos que deveriam ser recuperados para respondê-las (o chamado conjunto de referência, ou ground truth), combinando perguntas reais, perguntas sintéticas e perguntas sem resposta nos documentos. Em seguida, a avaliação se divide em duas camadas.
| Camada | Métrica | O que mede | Como calcular |
|---|---|---|---|
| Recuperação | Precisão | Quanto do que foi recuperado é relevante | Trechos relevantes recuperados ÷ trechos recuperados |
| Recuperação | Recall (cobertura) | Quanto do que é relevante foi recuperado | Trechos relevantes recuperados ÷ trechos relevantes existentes |
| Resposta | Groundedness (fundamentação) | Se a resposta é sustentada pelo contexto recuperado | Respostas fundamentadas ÷ total de respostas |
| Resposta | Relevância e completude | Se responde à pergunta e cobre todos os aspectos | Avaliação humana ou por modelo, com critério escrito |
| Resposta | Abstenção correta | Se o sistema diz “não sei” quando não há resposta | “Não sei” corretos ÷ perguntas sem resposta |
Um exemplo com números hipotéticos. Uma loja monta 60 perguntas de teste: 50 têm resposta na base e 10 não têm. Na recuperação, para 41 das 50 perguntas o trecho certo aparece entre os 5 primeiros: 41 ÷ 50 = 82% de cobertura. Nas respostas, 46 das 50 foram totalmente sustentadas pelos trechos: 46 ÷ 50 = 92% de fundamentação. Nas 10 perguntas sem resposta, o assistente disse “não sei” em 7: 70% de abstenção correta. A conclusão do teste: a base cobre bem, mas 3 em cada 10 perguntas fora do escopo recebem uma resposta inventada. O ajuste é de instrução e de passagem para humano, não de documento.
Repita o teste a cada mudança relevante: novo documento, nova estratégia de chunking, troca de modelo. A Microsoft sugere registrar os parâmetros e os resultados de cada experimento, para saber o que mudou o resultado.
Quando o assistente atende no WhatsApp, a base e a passagem para humano precisam viver no mesmo fluxo de atendimento. A Orakulo, plataforma da Analytikos de CRM, WhatsApp, e-mail e atendimento de vários canais no mesmo lugar, tem teste de 7 dias grátis.
Erros comuns ao preparar a base de conhecimento
Os erros abaixo concentram a maior parte das respostas ruins de assistentes corporativos. Cada um vem com o motivo e a correção.
Erros de curadoria
| Erro | Por que distorce | Como corrigir |
|---|---|---|
| Indexar tudo o que existe | Versões antigas e rascunhos competem com o texto vigente | Fazer inventário e manter só o que está em vigor |
| Deixar contradições entre fontes | O modelo escolhe um dos textos, nem sempre o correto | Definir uma fonte oficial por tema e corrigir as demais |
| Usar PDF escaneado sem leitura de texto | Sem OCR, o conteúdo não entra no índice ou entra truncado | Converter com OCR e revisar o resultado |
| Incluir dados pessoais de clientes | Risco de vazamento e de violação da LGPD | Manter dados pessoais fora da base e consultar sistemas com acesso controlado |
A contradição entre fontes é o erro mais frequente e mais fácil de corrigir. Imagine que o FAQ diz que o prazo de troca é de 7 dias e a política diz 30. O assistente responderá de forma diferente conforme a pergunta, e o cliente receberá respostas inconsistentes. O custo aparece em reclamações e em retrabalho humano.
Erros de estrutura
| Erro | Por que distorce | Como corrigir |
|---|---|---|
| Trechos grandes demais | Diluem a relevância e elevam o custo | Dividir por seção, com uma ideia por trecho |
| Trechos pequenos demais | Perdem contexto e viram frases soltas | Incluir o nome da política ou do produto em cada trecho |
| Referências vagas (“veja acima”) | No trecho isolado, a referência não existe | Escrever a informação completa em cada trecho |
| Tabelas e imagens sem tratamento | O conteúdo some ou vira texto desordenado | Reformatar em frases e descrever imagens |
| Metadados ausentes | Impede filtrar por produto, vigência ou público | Definir um conjunto mínimo de campos e preencher sempre |
Trechos soltos são um problema silencioso. A frase “o prazo é de 7 dias” só funciona na página original; recuperada isoladamente, não diz qual prazo, de qual política, para qual canal. A correção custa pouco (repetir o nome da política em cada trecho) e costuma elevar a precisão sem mudar nenhuma ferramenta.
Erros de operação e de medição
| Erro | Por que distorce | Como corrigir |
|---|---|---|
| Base sem dono | Ninguém atualiza; a base envelhece | Definir responsável por tema e ciclo de revisão |
| Não testar antes de publicar | Falhas só aparecem para o cliente | Montar conjunto de perguntas de teste e medir |
| Testar só perguntas fáceis | Superestima a qualidade real | Incluir perguntas ambíguas, raras e sem resposta |
| Não prever o “não sei” | O modelo preenche a lacuna com invenção | Instruir a abstenção e a passagem para humano |
| Mudar o chunking sem reavaliar | A mudança afeta todo o fluxo | Repetir o teste e registrar os parâmetros |
Testar só perguntas fáceis produz um número bonito e inútil. No exemplo do passo 8, se as 10 perguntas sem resposta fossem excluídas, a abstenção seria invisível e o problema (70% de acerto) só apareceria em produção. Misture perguntas comuns, ambíguas e fora do escopo desde o primeiro teste.
Checklist de preparação da base
- 50 a 100 perguntas reais levantadas e agrupadas por tema.
- Inventário das fontes com dono, vigência e sensibilidade.
- Contradições resolvidas e versões antigas arquivadas.
- Ruído removido (cabeçalhos, rodapés, duplicatas) e tabelas reformatadas.
- Cada trecho autocontido, com o nome da política ou do produto.
- Estratégia de chunking escolhida e registrada.
- Metadados mínimos preenchidos (tema, produto, versão, vigência, dono, fonte).
- Dados pessoais fora da base, acesso por perfil e revisão jurídica.
- Teste com perguntas respondíveis e sem resposta, com métricas registradas.
- Ciclo de revisão e responsável definidos.
Perguntas frequentes
O que é uma base de conhecimento para IA?
É o conjunto de documentos que o assistente consulta para responder, como políticas, FAQ, catálogo e manuais. No RAG, o sistema divide esses documentos em trechos, indexa e busca os mais relevantes a cada pergunta para montar a resposta.
Preciso de RAG se minha base é pequena?
Nem sempre. A Anthropic indica que, abaixo de cerca de 200 mil tokens, é possível colocar toda a base no prompt, com prompt caching. Mesmo nesse caso, a preparação dos documentos continua necessária.
Qual é o melhor tamanho de trecho?
A documentação da Microsoft não fixa um valor e recomenda definir tamanho e sobreposição por experimentação, conforme o tipo de documento. Para políticas e FAQ com títulos claros, dividir por seção costuma funcionar bem.
Posso usar conversas antigas de atendimento como base?
Somente anonimizadas e aprovadas, porque contêm dados pessoais e erros dos atendentes. Prefira transformar as dúvidas mais frequentes em respostas oficiais, revisadas e atribuídas a uma política.
Como medir se a base está boa?
Monte um conjunto de perguntas de teste, incluindo perguntas sem resposta, e meça a recuperação (precisão e cobertura) e a resposta (fundamentação, relevância, completude e abstenção correta). Repita a cada mudança.
Com que frequência devo atualizar a base?
Imediatamente quando uma regra mudar e, nos demais casos, em ciclos fixos, como um por trimestre. O mais importante é ter um responsável por tema e retirar do índice o que perdeu a vigência.
