--- title: "Padrões RAG" source: "https://systems-analysis.info/int/Padr%C3%B5es_RAG" wiki: "systems-analysis.info/int" article: "Padrões_RAG" language: "pt" categories: - "Category:Large language models" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 5396 wiki_created_at: 2026-09-06T23:48:41Z wiki_modified_at: 2026-09-06T23:48:41Z downloaded_at: 2026-09-07T23:08:15Z --- # Padrões RAG **Padrões RAG** (do inglês *RAG Patterns*) — é um conjunto de abordagens arquitetônicas e metodológicas para a construção de sistemas **Retrieval-Augmented Generation** (RAG). Esses padrões são projetados para resolver problemas fundamentais dos grandes modelos de linguagem (LLMs), como alucinações, conhecimento desatualizado e falta de especificidade de domínio, por meio da integração de LLMs com fontes de dados externas e dinamicamente acessíveis^{[\[1\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-lewis2020-1)}. A evolução do RAG passou de pipelines lineares simples para sistemas modulares e agênticos complexos^{[\[2\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-survey2024-2)}. ## Padrões RAG Principais Com o desenvolvimento da tecnologia, surgiram diversos padrões RAG, cada um resolvendo tarefas específicas e apresentando seus próprios trade-offs entre qualidade, velocidade e custo. - **Classic RAG (RAG Clássico)** — abordagem básica onde a consulta do usuário é vetorizada para buscar fragmentos (chunks) relevantes em um banco de dados vetorial; os chunks encontrados são fornecidos ao LLM junto com a pergunta para gerar a resposta^{[\[1\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-lewis2020-1)}. - **Multi‑Query RAG (Múltiplas Consultas)** — o LLM gera várias versões reformuladas/refinadas da consulta original; a busca é realizada em todas as versões e os resultados são combinados, o que aumenta a revocação (*recall*)^{[\[3\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — para superar a "lacuna semântica" entre uma consulta curta e documentos longos. O LLM primeiro gera um documento de resposta "hipotético", e então seu embedding é usado para a busca, o que frequentemente melhora a qualidade da recuperação^{[\[4\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-hyde-4)}. - **Hybrid Retrieval (Busca Híbrida)** — combinação de busca semântica (vetorial) e lexical (BM25). Esquemas híbridos tornaram-se o padrão para sistemas de produção: a busca vetorial cobre correspondências de significado, enquanto o BM25 encontra termos exatos/IDs/acrônimos; os resultados são combinados por fusão^{[\[5\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-milvus-fulltext-7)}. - **Re‑ranking (Reclassificação Adicional)** — processo de duas etapas: um recuperador (retriever) rápido retorna um conjunto de candidatos (ex., top‑100), e em seguida, um cross-encoder (ou outro reranker) recalcula a relevância e seleciona os melhores (ex., top‑5) para o LLM^{[\[8\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-cohere-rerank-9)}. - **Query Routing (Roteamento de Consultas)** — em sistemas com múltiplas fontes de dados heterogêneas (diferentes índices/BDs/APIs), a consulta é direcionada para a melhor fonte usando um roteador (um seletor de LLM ou um classificador); inclui estratégias de fallback^{[\[10\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-llama-router-10)}. - **Agentic/Web RAG (RAG Agêntico)** — o LLM atua como um agente: decompõe perguntas complexas, planeja iterações e usa ferramentas (busca vetorial, busca na web) com feedback. Uma implementação típica é o paradigma ReAct^{[\[11\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-react-11)}; para coleta de dados orientada para a web e citação obrigatória, consulte WebGPT^{[\[12\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-webgpt-12)}. ### Paradigmas Relacionados e em Desenvolvimento - **GraphRAG (RAG de Grafo)** — utiliza um grafo de conhecimento como fonte e mecanismo para selecionar o contexto; a busca percorre a estrutura de conexões entre entidades e o texto, aumentando a interpretabilidade e a qualidade em perguntas multi-hop^{[\[13\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-graphrag-project-14)}. - **MM‑RAG (RAG Multimodal)** — trabalha com fontes textuais e visuais (scans/diagramas/tabelas). Exemplo: VisRAG demonstra recuperação e geração orientadas por VLM em documentos multimodais^{[\[15\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-visrag-15)}. - **Empacotamento e Manuseio de Contexto** — métodos para integrar os chunks encontrados no prompt: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-raptor-16)}. ## Tabela Comparativa de Padrões | Padrão | Quando aplicar | Impacto na qualidade | Custo / Latência | Riscos e limitações | |----------------------|-------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|------------------|-----------------------------------------------------------------------| | **Classic RAG** | PoC e Q&A simples sobre uma base de dados homogênea | Nível básico; depende muito dos embeddings^{[\[1\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-lewis2020-1)} | Baixo | Sensibilidade à formulação da consulta; risco de contexto irrelevante | | **Hybrid Retrieval** | Na maioria dos cenários de produção; muitos códigos/acrônimos/IDs | Aumenta a revocação; cobre termos exatos^{[\[5\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-milvus-fulltext-7)} | Baixo/Médio | Ajuste dos pesos de fusão; dois índices | | **Re‑ranking** | Crítico quando a alta precisão é importante | Aumento significativo na precisão (precision) no top-k^{[\[8\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-cohere-rerank-9)} | Médio/Alto | Latência/custo adicional | | **Multi‑Query** | Consultas curtas/multifacetadas | Aumenta o recall^{[\[3\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-langchain-multiquery-3)} | Médio | Reformulações redundantes/ruidosas | | **HyDE** | Consultas curtas/ambíguas com grande "lacuna semântica" | Melhora a qualidade da recuperação *zero‑shot*^{[\[4\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-hyde-4)} | Médio | Depende da qualidade do texto "hipotético" | | **Query Routing** | Múltiplas fontes (base de documentos, SQL, API, web) | Aumenta a relevância ao selecionar a fonte correta^{[\[10\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-llama-router-10)} | Médio | Erro de roteamento = falha na busca | | **Agentic/Web RAG** | Consultas complexas, de pesquisa, multi-etapas | Resolve tarefas além de um pipeline linear^{[\[11\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-webgpt-12)} | Alto | Complexidade, risco de loops; requer guardrails | Comparação dos principais padrões RAG ## Implementação Prática e Arquitetura ### Etapas de Implementação 1. **Proof of Concept (PoC):** Comece com o **Classic RAG** em um conjunto de dados limitado, mas representativo, para verificar a qualidade dos embeddings e da recuperação básica^{[\[1\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** Implemente **Hybrid Retrieval** e **Re‑ranking** como a melhor relação "esforço/efeito"^{[\[5\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-nogueira2019-8)}. 3. **Produção (Production):** Adicione transformações de consulta (**HyDE**, **Multi‑Query**) e, se necessário, **Query Routing**; configure a observabilidade (logging de recuperação/reclassificação/respostas) e testes A/B^{[\[3\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-llama-router-10)}. ### Componentes Chave - **Chunking (Fragmentação):** Um dos fatores mais críticos para a qualidade. O tamanho fixo ingênuo muitas vezes quebra unidades de significado. Divisores orientados por estrutura (baseados em marcação) ou recursivos (parágrafo → frase → palavra) são recomendados^{[\[17\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-llama-hier-18)}. - **Embeddings e Metadados:** Armazene com cada chunk o document_id, página/seção, título, datas; isso é necessário para filtragem e citação correta das fontes. - **Busca Híbrida e Re-ranking:** Use BM25+vetor com fusão (ou RRF) e, em seguida, um cross-encoder para reclassificar um pequeno conjunto de candidatos^{[\[5\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-nogueira2019-8)}. - **Empacotamento de Contexto:** Escolha *Map‑Reduce*, *Refine* ou *Tree‑of‑Chunks* para corpus longos^{[\[16\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-llama-hier-18)}. ### Erros Comuns (Antipadrões) - **Apenas busca vetorial** sem BM25 → falhas em códigos/IDs/acrônimos^{[\[5\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-milvus-fulltext-7)}. - **Chunk muito grande/pequeno** → perda de contexto ou "diluição" do embedding^{[\[17\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-rcsplit-17)}. - **Ausência de re-ranking em produção** → o LLM recebe contexto ruidoso^{[\[8\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-nogueira2019-8)}. - **Falta de observabilidade** e rastreamento de fontes → impossível analisar as causas dos erros (ver avaliação de RAG). ## Avaliação de Qualidade e Métricas A avaliação é realizada no nível da recuperação (offline) e de ponta a ponta (geração). ### Métricas do Recuperador (Retriever) - **Hit Rate, Recall@k, MRR** — cobertura e posição dos documentos relevantes. - **Context Precision & Recall** — o quão livre de "lixo" está o contexto recuperado e se ele cobre tudo o que é necessário (implementado em RAGAS)^{[\[19\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-ragas-19)}. ### Métricas do Gerador (End-to-End) - **Faithfulness / Groundedness** — conformidade da resposta com o contexto fornecido. - **Answer Relevancy (Relevância da Resposta)** — correspondência com a pergunta original. Para automatizar as métricas, são utilizados frameworks de código aberto: **RAGAS**, **TruLens** (*tríade RAG*: relevância do contexto, fundamentação e relevância da resposta), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_note-deepeval-21)}. ## Ver também - Retrieval-Augmented Generation (RAG) - Bancos de dados vetoriais - Embedding - Agente de IA - GraphRAG - MM-RAG - [Avaliação e benchmarks de LLMs](https://systems-analysis.info/int/Avalia%C3%A7%C3%A3o_de_LLMs "Avaliação de LLMs") ## Literatura - Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. - Fan, W., Ding, Y., et al. (2024). *A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models*. KDD. DOI:10.1145/3637528.3671470; arXiv:2405.06211. - Gao, L., Ma, X., Lin, J., Callan, J. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)*. ACL 2023. ACL Anthology; arXiv:2212.10496. - Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085. - Weaviate Docs. *Hybrid search (BM25+Vector)*. [1]. - Qdrant Docs. *Hybrid Queries*. [2]. - Milvus Docs. *Full‑Text Search* / *Hybrid Search*. [3] / [4]. - LangChain Docs. *MultiQueryRetriever*. [5]. - Cohere Docs. *Rerank — best practices*. [6]. - LlamaIndex Docs. *Routing (query routers/selectors)*. [7]. - Yao, S., et al. (2023). *ReAct: Synergizing Reasoning and Acting in Language Models*. ICLR. arXiv:2210.03629. - Nakano, R., et al. (2021). *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv:2112.09332. - Microsoft Research Blog. *GraphRAG: Unlocking LLM discovery on narrative private data*. (2024). [8]. - Microsoft Research. *Project GraphRAG*. (2024). [9]. - Yu, S., et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594. - Sarthi, P., et al. (2024). *RAPTOR: Recursive Abstractive Processing for Tree‑Organized Retrieval*. arXiv:2401.18059. - Es, S., et al. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (Demo). [10]. - TruLens Docs. *RAG Triad*. [11]. - DeepEval (GitHub). *The LLM Evaluation Framework*. [12]. - LangChain Docs. *RecursiveCharacterTextSplitter*. [13]. - LlamaIndex Docs. *HierarchicalNodeParser*; *Response Synthesis (Tree/Refine)*. [14]; [15]. ## Notas 1. ↑ ^{[1.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-lewis2020_1-3)} Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. 2. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-survey2024_2-0) Fan, W., Ding, Y., et al. (2024). *A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models*. KDD. DOI:10.1145/3637528.3671470; arXiv:2405.06211. 3. ↑ ^{[3.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-langchain-multiquery_3-2)} LangChain Docs. *MultiQueryRetriever*. https://python.langchain.com/docs/how_to/MultiQueryRetriever/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-hyde_4-1)} Gao, L., Ma, X., Lin, J., Callan, J. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels*. ACL 2023. arXiv:2212.10496; ACL Anthology: 2023.acl‑long.99. 5. ↑ ^{[5.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-weaviate-hybrid_5-4)} Weaviate Docs. *Hybrid search (BM25+Vector)*. https://docs.weaviate.io/weaviate/concepts/search/hybrid-search 6. ↑ ^{[6.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-qdrant-hybrid_6-2)} Qdrant Docs. *Hybrid Queries*. https://qdrant.tech/documentation/concepts/hybrid-queries/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-milvus-fulltext_7-2)} Milvus Docs. *Full‑Text Search* e *Hybrid Search*. https://milvus.io/docs/full-text-search.md; https://milvus.io/docs/hybrid_search_with_milvus.md 8. ↑ ^{[8.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-nogueira2019_8-4)} Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085. 9. ↑ ^{[9.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-cohere-rerank_9-1)} Cohere Docs. *Rerank — best practices*. https://docs.cohere.com/docs/reranking-best-practices 10. ↑ ^{[10.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-llama-router_10-2)} LlamaIndex Docs. *Routing (query routers/selectors)*. https://docs.llamaindex.ai/en/stable/module_guides/querying/router/ 11. ↑ ^{[11.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-react_11-1)} Yao, S., et al. (2023). *ReAct: Synergizing Reasoning and Acting in Language Models*. ICLR 2023. arXiv:2210.03629. 12. ↑ ^{[12.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-webgpt_12-1)} Nakano, R., et al. (2021). *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv:2112.09332. 13. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-graphrag_13-0) Microsoft Research Blog. *GraphRAG: Unlocking LLM discovery on narrative private data*. 2024. https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/ 14. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-graphrag-project_14-0) Microsoft Research. *Project GraphRAG*. https://www.microsoft.com/en-us/research/project/graphrag/ 15. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-visrag_15-0) Yu, S., et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594; OpenReview: zG459X3Xge. 16. ↑ ^{[16.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-raptor_16-1)} Sarthi, P., et al. (2024). *RAPTOR: Recursive Abstractive Processing for Tree‑Organized Retrieval*. arXiv:2401.18059. 17. ↑ ^{[17.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-rcsplit_17-1)} LangChain Docs. *RecursiveCharacterTextSplitter*. https://python.langchain.com/docs/how_to/recursive_text_splitter/ 18. ↑ ^{[18.0](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-llama-hier_18-1)} LlamaIndex Docs. *HierarchicalNodeParser* e *Tree Summarization*. https://docs.llamaindex.ai/en/stable/api/llama_index.core.node_parser.HierarchicalNodeParser.html; https://docs.llamaindex.ai/en/stable/examples/low_level/response_synthesis/ 19. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-ragas_19-0) Es, S., et al. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (Demo). https://aclanthology.org/2024.eacl-demo.16/ 20. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-trulens_20-0) TruLens Docs. *RAG Triad*. https://www.trulens.org/getting_started/core_concepts/rag_triad/ 21. [↑](https://systems-analysis.info/int/Padr%C3%B5es_RAG#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval