RAG
RAG, ou geração aumentada por recuperação, é a técnica em que um modelo de linguagem busca documentos numa fonte externa e usa esse conteúdo para gerar a resposta.
O termo vem de um paper de 22 de maio de 2020, que juntou um modelo seq2seq a um índice vetorial da Wikipedia, consultado por um buscador neural (Lewis et al., arXiv 2005.11401).
Exemplo
O Google descreve a IA da Pesquisa como RAG: os sistemas de ranking recuperam páginas do índice, e o modelo responde a partir delas, com links (Google Search Central). No guia, a pergunta de exemplo é sobre um gramado cheio de ervas daninhas:
pergunta:
how to fix a lawn that's full of weeds
buscas derivadas:
best herbicides for lawns
remove weeds without chemicals
how to prevent weeds in lawn
recuperação: páginas do índice da Pesquisa
geração: resposta com links para as páginas de apoioAs buscas derivadas são o query fan-out. A recuperação é a etapa em que o SEO pesa: uma página fora do índice não chega ao modelo.
Por que importa
No paper original, o RAG superou o estado da arte em 3 tarefas de perguntas e respostas de domínio aberto e gerou texto mais específico e factual que o modelo sem recuperação (Lewis et al., arXiv 2005.11401). Como a recuperação usa o ranking da Pesquisa, o Google diz que as boas práticas de SEO continuam valendo para a IA generativa (Google Search Central).
O resultado disso aparece em citações, que eu meço no serviço de GEO.