# SurrealDB para Engenheiros de IA: o que você aprende em 11 aulas
> Conheça a sequência de 11 aulas sobre embeddings, BM25, RAG, memória de agentes e Graph RAG, com uma adaptação gratuita em português preparada para o YouTube.
**Autores:** Mauro Mequelussi
**Publicado:** 2026-10-03T21:00:00.000Z
**Atualizado:** 2026-11-08T03:43:40.862755893Z
**Tags:** engenharia-de-ia, agentes-de-ia, graph-rag, busca-vetorial, surrealdb, rag
---
Uma aplicação de IA precisa de mais do que uma boa instrução para o modelo. Quando a resposta depende de documentos, dados da empresa ou conversas anteriores, alguém precisa escolher o que recuperar, verificar o acesso e montar o contexto que chega ao LLM.

É esse trabalho que orienta **SurrealDB para Engenheiros de IA**, uma sequência de 11 aulas sobre a camada de dados de aplicações inteligentes. Na Escola de Aplicativos, publicamos uma adaptação em português, com apresentação de Mauro Mequelussi e vídeos gratuitos no YouTube, baseada no curso **SurrealDB for AI Engineers**, da SurrealDB University.

O [anúncio oficial da SurrealDB](https://surrealdb.com/blog/introducing-our-new-university-course-surrealdb-for-ai-engineers) apresenta a proposta do curso. Aqui, vamos percorrer o conteúdo das aulas e explicar como cada etapa se conecta à construção de um sistema que busca informações e mantém contexto ao longo do tempo.

## O ponto de partida: entender o contexto

A primeira aula estabelece a base: tokens, janela de contexto, alucinações e a diferença entre engenharia de prompt e engenharia de contexto. Escrever uma instrução clara ajuda, mas a aplicação também precisa fornecer informações úteis e atuais para a tarefa.

Imagine um assistente de suporte. Pedir que ele seja preciso não fornece a política vigente, o histórico do cliente nem a documentação da funcionalidade. O sistema precisa encontrar essas fontes e selecionar os trechos que ajudam a responder. Esse é o problema que as aulas seguintes passam a tratar.

::video-player{src="https://www.youtube.com/watch?v=u6f3e2QMiNg" title="SurrealDB e IA: tokens, contexto e por que LLMs alucinam | Aula 01"}
::

## Duas formas de encontrar informação

Na aula 02, o curso apresenta **embeddings e busca vetorial**. Um texto é representado por números, e a proximidade entre vetores ajuda a recuperar conteúdos com significado semelhante. Os exemplos usam vetores pequenos para tornar a matemática observável antes de discutir índices HNSW, busca KNN e modelos reais.

A aula 03 traz **busca full-text e BM25**. Termos exatos continuam relevantes: um código de erro, o nome de um produto ou um identificador pode ser decisivo. Analisadores, stemming e pontuações ajudam a entender como a busca lexical encontra e ordena os resultados.

As duas abordagens têm papéis complementares. Uma pergunta sobre pagamento recusado pode ter relação semântica com um texto sobre falha de cobrança; já a busca por um código específico depende de preservar esse termo.

::video-player{src="https://www.youtube.com/watch?v=lgl9RYrxf90" title="SurrealDB: embeddings e busca vetorial por significado | Aula 02"}
::

::video-player{src="https://www.youtube.com/watch?v=-Lpv7wYqWdw" title="SurrealDB: busca full-text e BM25 na prática | Aula 03"}
::

## Transformar recuperação em uma base RAG

A aula 04 combina recuperação semântica com filtros estruturados e relações entre documentos. É o começo de uma **base de conhecimento RAG**: selecionar fontes e colocá-las no contexto do modelo antes da geração.

O exercício chama atenção para a qualidade do que entra no prompt. Ser o resultado mais próximo não significa ser relevante o bastante. Filtros e limiares ajudam a descartar correspondências fracas, enquanto referências entre documentos permitem manter a ligação com as fontes usadas.

A aula 05 avança para **busca híbrida e reranking**. Busca vetorial e BM25 podem produzir ordens diferentes para a mesma pergunta. A fusão por posições, com Reciprocal Rank Fusion, oferece uma maneira de combinar esses rankings sem assumir que suas pontuações têm a mesma escala.

O resultado precisa ser avaliado no conjunto de perguntas da aplicação. Combinar técnicas é uma hipótese de melhoria que pode ser testada, não uma garantia de que toda consulta ficará melhor.

::video-player{src="https://www.youtube.com/watch?v=IvN8HdVGBZg" title="SurrealDB: como construir uma base de conhecimento RAG | Aula 04"}
::

::video-player{src="https://www.youtube.com/watch?v=rFjH448YZ1Y" title="SurrealDB: busca híbrida com BM25, vetores e reranking | Aula 05"}
::

## Memória que continua depois da conversa

A aula 06 trata de **memória para agentes**. Em vez de guardar todo o histórico e enviá-lo novamente, o sistema registra informações e decide o que vale recuperar em cada interação.

Similaridade, recência e importância contribuem para essa seleção. O curso também trabalha relações entre memórias, expiração e reforço das informações recuperadas. Uma preferência recente pode merecer mais atenção do que um detalhe antigo, e uma informação que perdeu validade precisa deixar de orientar respostas futuras.

::video-player{src="https://www.youtube.com/watch?v=rvjnmNYYbh4" title="SurrealDB: memória persistente para agentes de IA | Aula 06"}
::

## Consultas geradas com o schema real

Na aula 07, o agente passa a produzir consultas em **SurrealQL a partir de perguntas em linguagem natural**. O contexto do schema vem das definições do próprio banco, e exemplos pertinentes podem ser recuperados para orientar a geração.

Essa etapa expõe erros diferentes: uma consulta pode falhar por sintaxe, usar um campo inventado ou buscar um valor que não existe. Alguns problemas aparecem imediatamente; outros entregam uma resposta plausível e incorreta.

Por isso, as proteções de execução precisam existir fora do texto do prompt. Permissões, validações e limites pertencem ao banco e à aplicação, onde não dependem de o modelo obedecer a uma instrução.

::video-player{src="https://www.youtube.com/watch?v=DLCOWe3rAYw" title="SurrealDB: Text-to-SurrealQL, da pergunta à consulta | Aula 07"}
::

## Uma camada de contexto para várias fontes

A aula 08 discute arquitetura: o que fazer quando a resposta está distribuída entre documentos, bancos e aplicações SaaS, com vários agentes consultando essas fontes?

Reunir tudo em um agente com acesso amplo pode fazer dados restritos chegarem a quem não deveria recebê-los. A proposta da aula é pensar a **camada de contexto** junto com identidade, autorização e origem dos registros. O contexto precisa ser útil para a tarefa e compatível com as permissões de quem a executa.

::video-player{src="https://www.youtube.com/watch?v=9CslejwoZt0" title="SurrealDB: múltiplas fontes e contexto para agentes de IA | Aula 08"}
::

## Melhorar os trechos e medir a recuperação

A aula 09 compara **estratégias de chunking**, a divisão de documentos em fragmentos. Um trecho grande demais pode misturar assuntos; um pequeno demais pode perder a explicação necessária. Tamanho, sobreposição e estrutura influenciam o que a busca encontra.

Uma técnica apresentada é recuperar um fragmento pequeno e depois expandir para a fonte relacionada. Assim, a busca pode localizar um ponto específico sem limitar a resposta a poucas linhas isoladas.

A aula 10 mede a recuperação com perguntas e documentos relevantes previamente rotulados. **Recall@k** mostra quanto do material relevante chegou aos primeiros resultados; **Precision@k**, quanto desses resultados é relevante; e **MRR**, a posição do primeiro resultado relevante.

Separar essa avaliação da resposta final ajuda a localizar a falha: se a evidência necessária não foi recuperada, trocar o prompt não resolve a ausência dessa informação.

::video-player{src="https://www.youtube.com/watch?v=UX38yiVLa0s" title="SurrealDB: estratégias de chunking para melhorar seu RAG | Aula 09"}
::

::video-player{src="https://www.youtube.com/watch?v=_2wZ3IowcFI" title="SurrealDB: avalie seu RAG com Recall, Precision e MRR | Aula 10"}
::

## Graph RAG: quando a evidência está nas conexões

A última aula explora **Graph RAG com múltiplos saltos**. Às vezes, o documento mais parecido com a pergunta aponta para outro, que se conecta à explicação procurada. Percorrer essas relações permite encontrar evidências que não estavam entre os primeiros resultados da busca semântica.

O percurso também precisa de controle: filtros, profundidade, referências das fontes e orçamento de tokens determinam o que chega ao modelo. O objetivo é recuperar conexões úteis para a pergunta, preservando a possibilidade de conferir de onde vieram.

::video-player{src="https://www.youtube.com/watch?v=3z1yn3vz4Kc" title="SurrealDB: Graph RAG com múltiplos saltos | Aula 11"}
::

## Para quem é esta sequência

O curso é útil para quem desenvolve assistentes, bases de conhecimento ou agentes e quer entender o que acontece entre a pergunta e a resposta. Os exemplos locais ajudam a observar os mecanismos antes de integrar serviços e dados de produção.

Você pode acompanhar a sequência desde os fundamentos ou consultar um tema específico. O fio condutor é o mesmo: escolher contexto com método, manter as fontes acessíveis e medir se a recuperação atende às perguntas da aplicação.

## Acompanhe o curso gratuito em português

As 11 aulas da adaptação em português estão públicas no YouTube. No Arsenal, você encontra a sequência completa, o resumo de cada aula e os vídeos incorporados.

[Assista à playlist completa no YouTube](https://www.youtube.com/playlist?list=PLRfp1UpihPkw).

As aulas estão incorporadas nas seções deste artigo, na ordem do curso.

**[Acesse o curso de SurrealDB para Engenheiros de IA no Arsenal](/arsenal/surrealdb-para-engenheiros-de-ia).** Salve a página para acompanhar a sequência em português.

Quer experimentar o serviço na nuvem? **[Crie uma conta no SurrealDB pelo nosso link de indicação](https://studio.surrealdb.com/?referrer=nd6z91qma03wl1l4).** É um link de afiliado/indicação da Escola de Aplicativos; a conta na nuvem é opcional para os primeiros exercícios locais.

Para acompanhar as próximas aulas e conteúdos sobre IA e desenvolvimento, **[siga Mauro Mequelussi no Instagram](https://www.instagram.com/mauromequelussi/)**.

## Referências

- [SurrealDB for AI Engineers — curso original da SurrealDB University](https://surrealdb.com/learn/ai).
- [Artigo oficial de apresentação do curso](https://surrealdb.com/blog/introducing-our-new-university-course-surrealdb-for-ai-engineers).
- [Adaptação em português: índice e resumos das 11 aulas no Arsenal](/arsenal/surrealdb-para-engenheiros-de-ia).