RAG (Retrieval-Augmented Generation) é a técnica que enriquece respostas de um LLM com informação recuperada dinamicamente de uma base de conhecimento específica — documentos internos, manuais, FAQs, histórico de interacções. Em vez de o LLM responder apenas com o que aprendeu no treino (potencialmente desactualizado ou genérico), consulta primeiro a base do cliente e compõe a resposta com base nessa informação.
RAG resolve dois problemas simultâneos: permite LLMs responderem sobre conteúdo que não estava no treino (documentos internos, dados proprietários, informação recente) e reduz alucinação (se a base não tem a resposta, o modelo é instruído a dizer 'não sei' em vez de inventar). É a arquitectura dominante para assistentes de conhecimento corporativos — assistente interno que responde a perguntas de colaboradores sobre políticas, produtos, processos.
A INFOS implementa RAG para clientes com bases de conhecimento significativas — manuais técnicos, políticas internas, documentação de produto. A integração com o AutomationForge permite que artigos gerados consultem o corpo de conhecimento do cliente antes de serem produzidos. A governança — quem acede ao quê, auditoria de respostas, anonimização — é cuidada explicitamente em cada implementação.