Estratégias de chunking no SurrealDB para melhorar seu RAG
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 9 de 11 ("Estratégias de chunking no SurrealDB para melhorar seu RAG"), parte do módulo "Qualidade e Graph RAG" do curso gratuito "SurrealDB para engenheiros de IA: RAG e agentes" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: prática, você aprende como o corte de documentos afeta diretamente a representação vetorial e a relevância de buscas em IA. Comparamos corte por tamanho fixo, seções estruturais e documentos inteiros dentro do SurrealDB. Por fim, implementamos a técnica de parent document retrieval via record links para unir alta precisão de busca com respostas completas no prompt.
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
- Como o tamanho do chunk interfere diretamente nas coordenadas do vetor gerado
- A diferença prática entre tamanho fixo, estrutura de títulos e texto integral
- Como criar esquemas relacionais de chunks vinculados ao documento original sem tabelas intermediárias
- O motivo dos campos calculados virem como NONE em cargas em lote e como recalculá-los
- Como implementar o padrão parent document retrieval para recuperar pedaços precisos e expandir o contexto do prompt
Pontos-chave da aula
- Misturar múltiplos temas em um chunk gera vetores médios que prejudicam o ranking de relevância.
- Janela deslizante com sobreposição previne cortes abruptos, mas pode duplicar texto no contexto final.
- Usar VALUE no SurrealDB calcula o embedding automaticamente no momento do salvamento do registro.
- Recupere pequeno para garantir precisão e expanda para o documento pai na hora de enviar ao LLM.
Capítulos e roteiro técnico da aula
8 capítulos minutados- 00:00
O problema do texto cortado pela metade no RAG
Entenda por que respostas incompletas em RAG geralmente são causadas pelo modo como os textos são divididos antes da indexação.
- 00:28
A necessidade do chunking no mundo real
Veja a transição entre exemplos didáticos e documentos reais extensos que exigem estratégias práticas de segmentação.
- 00:46
Por que o tamanho do chunk altera o vetor de busca
Aprenda como múltiplos assuntos em um único pedaço diluem o vetor e conheça as cinco principais abordagens de chunking.
- 02:41
Modelagem no SurrealDB com schema e campos calculados
Construa o schema no SurrealDB com tabelas de documentos e pedaços, gerando embeddings automaticamente com a cláusula VALUE.
- 03:54
Importação de dados e recálculo de vetores em massa
Importe documentos usando diferentes cortes e entenda por que o UPDATE recalcula campos computados após uma carga em lote.
- 04:47
Comparativo prático entre estratégias de corte
Compare os resultados de busca entre documento inteiro, divisão por seções e tamanho fixo com sobreposição.
- 06:12
Padrão parent document: buscar pequeno e gerar grande
Recupere o chunk exato para a busca vetorial e expanda o contexto lendo o documento pai diretamente pelo registro vinculado.
- 07:10
Guia de decisão de chunking e adaptação para produção
Descubra como escolher a estratégia ideal para o seu formato de arquivo e os passos para conectar modelos reais de embeddings.
Momentos de destaque na prática
O efeito da diluição vetorial em chunks longos
Entenda visualmente por que misturar vários assuntos em um pedaço destrói a precisão da sua busca vetorial.
Por que a nota máxima na busca pode enganar seu app
Veja na prática como um chunk com pontuação perfeita pode deixar os passos cruciais da resposta de fora.
Buscar pequeno e gerar grande com Record Links
Aprenda a encontrar o pedaço com máxima precisão e devolver o documento inteiro sem precisar de JOINs complexos.
Notas de aula e guia de estudo
Quando uma IA responde uma dúvida técnica pela metade, quase sempre a culpa não é do modelo ou do banco vetorial, mas de como o documento original foi fatiado. O corte inadequado dilui o significado semântico em chunks misturados ou separa passos indispensáveis de um procedimento.
Nesta aula, analisamos na prática o impacto de três estratégias de chunking utilizando o SurrealDB. Você verá como modelar documentos e pedaços vinculados diretamente por Record Links, automatizar o cálculo vetorial com a cláusula VALUE e aplicar a técnica de recuperar um pedaço específico para injetar o contexto completo na resposta final.
O que você vai aprender
- Como o tamanho do chunk interfere diretamente nas coordenadas do vetor gerado
- A diferença prática entre tamanho fixo, estrutura de títulos e texto integral
- Como criar esquemas relacionais de chunks vinculados ao documento original sem tabelas intermediárias
- O motivo dos campos calculados virem como NONE em cargas em lote e como recalculá-los
- Como implementar o padrão parent document retrieval para recuperar pedaços precisos e expandir o contexto do prompt
Pontos-chave
- Misturar múltiplos temas em um chunk gera vetores médios que prejudicam o ranking de relevância.
- Janela deslizante com sobreposição previne cortes abruptos, mas pode duplicar texto no contexto final.
- Usar
VALUEno SurrealDB calcula o embedding automaticamente no momento do salvamento do registro. - Recupere pequeno para garantir precisão e expanda para o documento pai na hora de enviar ao LLM.