Como construir uma base de conhecimento RAG no SurrealDB
Por Mauro Mequelussi · Curso gratuito SurrealDB para engenheiros de IA: RAG e agentes · Português (PT-BR)
Resposta direta · O que esta aula resolve
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.
Crie sua conta grátis para assistir a esta videoaula em HD
O resumo técnico e os capítulos abaixo são abertos para consulta. Crie sua conta 100% gratuita em segundos para liberar todas as 11 videoaulas em HD, controle automático de progresso, Tutor IA e certificado gratuito verificável.
- R$ 0 · Sem cartão de crédito
- Tutor IA tira-dúvidas da aula
- Certificado gratuito incluso
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 roteiro técnico da aula
8 capítulos minutados- 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.
Momentos de destaque na prática
Modelo de embedding versus modelo de geração
Sua IA erra na busca ou na resposta? Entenda a diferença fundamental entre embedding e geração.
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.
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.
Notas de aula e guia de estudo
Descubra como transformar o SurrealDB em uma base de conhecimento completa para RAG (geração aumentada por recuperação). Você vai aprender a guardar documentos, metadados e vetores em uma mesma tabela, aplicando notas de corte para descartar correspondências fracas e puxando citações via grafo.
No final da aula, você vê como o próprio banco monta o prompt pronto para envio ao modelo de linguagem, garantindo respostas ancoradas em fatos e sem alucinações.
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
- 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