# Como construir uma base de conhecimento RAG no SurrealDB

> **Resposta Direta:** A Aula 4 de 11 ("Como construir uma base de conhecimento RAG no SurrealDB"), parte do módulo "RAG e busca híbrida" do curso gratuito "SurrealDB para engenheiros de IA: RAG e agentes" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: prática, você constrói uma camada de recuperação de documentos (RAG) direto no SurrealDB. Entenda a diferença entre o modelo de embedding e o de geração, aplique nota de corte para evitar alucinações e monte o prompt final com dados e fontes citadas sem precisar de lógica intermediária complexa no backend.

## Ficha Técnica da Aula

- **Curso:** [SurrealDB para engenheiros de IA: RAG e agentes](https://www.escoladeaplicativos.com.br/cursos/surrealdb-para-engenheiros-de-ia)
- **Escola:** Escola de Aplicativos (https://www.escoladeaplicativos.com.br)
- **Instrutor:** Mauro Mequelussi
- **Módulo 2 de 4:** RAG e busca híbrida
- **Posição na trilha:** Aula 4 de 11
- **Duração da videoaula:** 7 min
- **Nível:** Intermediário
- **Idioma:** Português (PT-BR)
- **Custo:** 100% Gratuito (R$ 0)
- **Certificado:** Certificado gratuito verificável incluso ao concluir o curso
- **Acesso ao vídeo:** Resumo técnico aberto; videoaula em HD liberada mediante cadastro gratuito
- **URL canônica:** https://www.escoladeaplicativos.com.br/cursos/surrealdb-para-engenheiros-de-ia/como-construir-uma-base-de-conhecimento-rag-no-surrealdb

## O que você vai aprender

- O que significa cada etapa do RAG (recuperação, aumento e geração) e onde a precisão é definida
- Como criar tabelas com índices HNSW e índices estruturados combinados no SurrealDB
- Como aplicar nota de corte (threshold) para barrar documentos com baixa similaridade
- Como navegar por relacionamentos em grafo para carregar referências citadas no contexto
- Como montar o bloco de contexto e o prompt final diretamente em SurrealQL
- O caminho para migrar de vetores de demonstração para embeddings de produção

## Pontos-chave da Aula

- Retreinar modelos para adicionar conhecimento novo é caro e ineficiente; RAG injeta os dados certos na janela de contexto
- O modelo de embedding define o que a busca acha; o modelo de geração apenas redige a resposta
- No SurrealDB, dados estruturados, embeddings e relações de grafo vivem no mesmo registro e respondem em uma só query
- Uma nota de corte rigorosa impede que documentos irrelevantes sejam tratados como fatos pela IA

## Capítulos e Tópicos da Videoaula

- **[00:00] O problema da alucinação e o que é RAG** — Por que a IA inventa respostas confiantes sem contexto e como a recuperação de documentos resolve isso.
- **[00:23] A promessa da nota de corte** — Introdução ao uso de threshold de similaridade para filtrar dados irrelevantes antes do prompt.
- **[00:33] Fundamentos de RAG: modelos de embedding e geração** — Diferença entre modelo de embedding e de geração, e por que retreinar não resolve a defasagem de dados.
- **[02:06] Por que usar o SurrealDB para RAG** — As vantagens de unificar vetores, documentos estruturados e grafos em um único banco sem idas e vindas de rede.
- **[02:40] Modelagem de schema, índices e documentos** — Criação do schema com índice HNSW, índice estruturado e conexões em grafo entre documentos.
- **[03:50] Executando consultas vetoriais com filtro e grafo** — Busca por vizinhos próximos, aplicação da nota de corte e travessia de relações em uma única query.
- **[05:08] Montagem do prompt e comparação de respostas** — Construção do prompt final dentro do SurrealDB e comparação entre respostas com e sem contexto injetado.
- **[06:22] Transição para produção e introdução à busca híbrida** — Passos para integrar embeddings reais e preparação para combinar busca vetorial com busca exata.

## Destaques Práticos

- **[01:17] Modelo de embedding versus modelo de geração**: Sua IA erra na busca ou na resposta? Entenda a diferença fundamental entre embedding e geração.
- **[04:10] Filtro vetorial, score de corte e grafo em uma query**: Veja como descartar resultados fracos e puxar referências citadas em uma única consulta no SurrealDB.
- **[05:32] A diferença real entre uma IA com e sem contexto**: Veja na prática o que muda no texto da IA quando você injeta contexto verificado direto pelo banco.

## Conceitos e Tecnologias Abordados

- **Tópicos:** RAG (Retrieval-Augmented Generation), Busca vetorial com HNSW, Filtragem por threshold de similaridade, Consultas em grafo para referências, Montagem de prompts no banco de dados, Prevenção de alucinações em IA
- **Ferramentas e Entidades:** SurrealDB, Supabase, PostgreSQL, pgvector, RocksDB, HNSW

## Documentação e Referências Oficiais

- [Documentação do SurrealDB sobre índices vetoriais (HNSW)](https://surrealdb.com/docs/surrealql/statements/define/indexes)
- [Funções vetoriais e cálculos de distância no SurrealQL](https://surrealdb.com/docs/surrealql/functions/vector)
- [Como criar e consultar relacionamentos de grafo no SurrealDB](https://surrealdb.com/docs/surrealql/statements/relate)

## Perguntas Frequentes (FAQ)

### O que é ensinado na Aula 4 (Como construir uma base de conhecimento RAG no SurrealDB) do curso SurrealDB para engenheiros de IA: RAG e agentes?

Nesta aula do módulo "RAG e busca híbrida" na Escola de Aplicativos, você aprende de forma prática: O que significa cada etapa do RAG (recuperação, aumento e geração) e onde a precisão é definida; Como criar tabelas com índices HNSW e índices estruturados combinados no SurrealDB; Como aplicar nota de corte (threshold) para barrar documentos com baixa similaridade; Como navegar por relacionamentos em grafo para carregar referências citadas no contexto.

### Como assistir ao vídeo completo da aula "Como construir uma base de conhecimento RAG no SurrealDB" gratuitamente?

O resumo técnico estruturado desta aula é público e gratuito. Para assistir à videoaula completa em HD, basta entrar ou criar sua conta 100% gratuita na Escola de Aplicativos — o cadastro leva segundos e libera todas as 11 aulas do curso "SurrealDB para engenheiros de IA: RAG e agentes", controle de progresso, Tutor IA e emissão de certificado gratuito.

### Quais tecnologias e conceitos são abordados em "Como construir uma base de conhecimento RAG no SurrealDB"?

A aula cobre diretamente os seguintes tópicos técnicos aplicados em produção: RAG (Retrieval-Augmented Generation), Busca vetorial com HNSW, Filtragem por threshold de similaridade, Consultas em grafo para referências, Montagem de prompts no banco de dados, Prevenção de alucinações em IA.

### O curso "SurrealDB para engenheiros de IA: RAG e agentes" oferece certificado gratuito?

Sim. Ao assistir às 11 aulas do curso gratuito "SurrealDB para engenheiros de IA: RAG e agentes" na Área de Membros da Escola de Aplicativos, você emite gratuitamente um certificado digital em português com código de verificação pública.

## Como assistir à videoaula completa gratuitamente

Crie sua conta gratuita em segundos em https://www.escoladeaplicativos.com.br/login?redirect=%2Fm%2Fcursos%2Fsurrealdb-para-engenheiros-de-ia%2Faula%2Fcomo-construir-uma-base-de-conhecimento-rag-no-surrealdb para assistir ao vídeo completo desta aula em HD na Área de Membros da Escola de Aplicativos, com progresso salvo, Tutor IA e certificado gratuito verificável.

## Navegação do Curso

- **Aula anterior:** [Aula 3: Busca full-text e BM25 na prática com SurrealDB](https://www.escoladeaplicativos.com.br/cursos/surrealdb-para-engenheiros-de-ia/busca-full-text-e-bm25-na-pratica-com-surrealdb)
- **Próxima aula:** [Aula 5: Busca híbrida com BM25, vetores e reranking no SurrealDB](https://www.escoladeaplicativos.com.br/cursos/surrealdb-para-engenheiros-de-ia/busca-hibrida-com-bm25-vetores-e-reranking-no-surrealdb)