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, estamos preparando 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 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.
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.
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.
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.
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.
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.
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.
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.
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
A adaptação em vídeo será publicada gratuitamente no YouTube. No Arsenal, reunimos a sequência das 11 aulas, o resumo de cada uma e o espaço para assistir aos vídeos incorporados. Os resumos já estão disponíveis; os vídeos serão adicionados conforme forem publicados.
Acesse o curso de SurrealDB para Engenheiros de IA no Arsenal. 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. 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.
