Obtenção, fundamentação e caminhos de análise

“RAG” costuma significar uma só coisa: dividir o corpus em fragmentos, incorporá-los num armazém de vetores e colar no prompt as correspondências mais próximas. O PlaidCloud faz isso para um único corpus — a documentação do produto — e deliberadamente não o faz aos seus dados.

As suas tabelas são lidas em direto, no momento em que se pergunta sobre elas, com as suas permissões. Não se trata de uma decisão de desempenho; é o que torna uma resposta fiável e um controlo de acesso significativo.

Via 1 — Escolher que ferramentas oferecer

Esta via aplica-se ao assistente integrado, que tem o seu próprio catálogo de ferramentas. Cada descrição de ferramenta que mostra ao modelo consome tokens do prompt em cada turno, pelo que, antes de o modelo ver o que quer que seja, a pergunta é comparada por semelhança semântica com as descrições das ferramentas — nunca com os seus dados — e só são oferecidas as ferramentas plausivelmente relevantes.

Nas outras superfícies, o catálogo de ferramentas é gerido pela ligação MCP: o conector da Anthropic gere-o no servidor e o ciclo no cliente limita a superfície que declara. As vias 2 e 3 abaixo aplicam-se em todo o lado.

Três pormenores são importantes:

• As incorporações descrevem ferramentas, não conteúdo. São calculadas uma vez a partir dos nomes e descrições das ferramentas, ficam em cache e são reconstruídas automaticamente quando uma descrição muda.
• Algumas ferramentas estão sempre presentes para que o agente se oriente — perceba quem pergunta e em que projeto — mesmo quando a pergunta não menciona nenhum dos dois.
• Com pouca confiança, recorre-se à lista completa. Uma restrição confiantemente errada é pior do que pagar o custo total em tokens uma vez, pelo que uma correspondência incerta mostra simplesmente tudo. Os turnos muito curtos (“obrigado”, “ok”) dispensam por completo este passo.

Via 2 — Fundamentação na documentação

Esta é a verdadeira via de geração aumentada por obtenção e responde a “como faço…”, “o que é…” e “onde configuro…”.

A documentação publicada é obtida como um corpus estruturado — uma entrada por página — e indexada em memória com o Okapi BM25, uma função de classificação por palavras-chave. O agente trabalha então em dois movimentos:

1. Pesquisar devolve uma lista restrita de páginas por ordem de relevância: slug, título, descrição, pontuação.
2. Obter extrai uma página, ou uma única secção com nome, depois de o agente ter decidido qual é realmente necessária.

Nota

Porquê classificação por palavras-chave e não incorporações? Foi medido, não presumido. Uma lista restrita BM25 reclassificada pelo modelo de conversação superou a abordagem de incorporações e armazém de vetores em todas as métricas de obtenção para este corpus, pelo que o armazém de vetores foi descontinuado. A documentação do produto está repleta de termos exatos — nomes de passos, nomes de funções, etiquetas de campos — que é precisamente onde a classificação por palavras-chave é forte.

O ponto de conceção é que o agente decide quando pesquisar e quanto ler. A injeção passiva cola algo em todos os prompts, quer ajude quer não; a obtenção conduzida por ferramentas mantém as páginas irrelevantes totalmente fora da janela de contexto e permite ao agente citar a página que utilizou, para que possa dar seguimento.

Se o corpus da documentação estiver brevemente inacessível, o agente responde sem ele em vez de fazer falhar o turno.

Via 3 — Ler os seus próprios dados

As perguntas sobre os seus números não são respondidas por obtenção. O agente lê o que precisa, quando precisa, através de ferramentas com verificação de permissões: esquemas de tabelas, linhas, membros de dimensões, linhagem de fluxos de trabalho, rastreios de alocação.

É por isso que as respostas estão atualizadas — refletem os dados como estão agora, não como estavam quando algo foi indexado pela última vez — e é por isso que o controlo de acesso funciona: não existe um índice pré-construído que possa fugir através de uma fronteira de permissões, porque não há índice.

Caminhos de análise — a camada de nomenclatura

As leituras em direto precisam de saber qual tabela. Os caminhos de análise são o vocabulário partilhado que torna isso simples: um nome amigável — “Resultados operacionais”, “a demonstração de resultados”, “Efetivos” — associado uma só vez a um projeto e a uma tabela reais, e utilizável por todos na área de trabalho a partir daí.

• Pergunte pelo nome em vez de indicar um projeto e uma tabela de cada vez.
• Marque um como predefinição da área de trabalho para que um “o que mudou no último trimestre?” sem destino caia num local sensato.
• Todos querem dizer o mesmo. Quando toda a equipa diz “a demonstração de resultados”, chega à mesma tabela.

Um administrador regista-os; qualquer pessoa os pode utilizar; cada pergunta continua a ser executada com as permissões da pessoa que pergunta. Funcionam de forma idêntica a partir do assistente integrado, do Microsoft 365 Copilot e de um agente de programação ligado. Consulte Caminhos de análise para saber como os configurar.

O catálogo de expressões

Quando o assistente escreve uma expressão, não adivinha nomes de funções de memória. Consulta um catálogo estruturado de todas as funções de expressão do PlaidCloud — nome, assinatura, ligação para a documentação, categoria — confrontado com as funções que o seu armazém realmente disponibiliza, com sugestões de correspondência aproximada quando um nome está quase certo. Uma consulta, não uma pesquisa por semelhança, porque em nomes de funções “quase certo” é errado.

Fundamentação não é treino

Duas coisas com que as pessoas razoavelmente se preocupam:

• Nada do que aqui é obtido treina um modelo. A fundamentação coloca informação num único pedido. Não altera os pesos do modelo, e o seu conteúdo não é utilizado para treinar o modelo de ninguém.
• O índice de obtenção contém apenas documentação pública. Nenhum conteúdo de clientes é incorporado nele.

Para onde vão os seus dados — e como mantê-los dentro de infraestrutura que controla — é abordado em Utilizar o seu próprio LLM controlado.

Porque produz melhores respostas

A fundamentação é o que permite ao assistente dizer “não sei” em vez de inventar algo. Como cada valor provém de uma consulta real e cada afirmação sobre o produto de uma página de documentação real, uma resposta pode ser classificada: cada uma tem um indicador de confiança e ressalvas em linguagem simples, e um resumo narrativo é verificado para que não possa omitir discretamente uma limitação nem citar um número que a análise nunca produziu. Consulte Respostas em que pode confiar.

Relacionado

• Caminhos de análise — configurar os nomes partilhados
• Rastrear alocações — perguntar porquê um resultado se alterou
• Arquitetura de IA e LLM — as superfícies e o caminho partilhado