🧩 Visual Learning

Diagram 1

Early chunking vs. late chunking em RAG

Os dois métodos partem do mesmo documento longo. A diferença está na ordem das etapas: no early chunking (à esquerda) o texto é dividido em chunks e só depois cada pedaço é embedado. No late chunking (à direita) o documento inteiro é embedado primeiro e os chunks são formados depois.

Open diagram

Diagram 2

RAG vs Fine-tuning: conhecimento em runtime ou nos pesos

À esquerda, o RAG: o usuário envia a query ao retriever, que busca trechos relevantes na knowledge base (PDFs, vector DB, APIs, web). A query e os trechos recuperados vão juntos no prompt para o LLM, que responde com base nesse contexto. Os pesos do modelo não mudam.

Open diagram

Diagram 3

8 arquiteturas de RAG: da base Naive ao Agentic

O Naive RAG é a base: indexa os documentos (chunking + embedding), recupera os trechos mais parecidos com a pergunta e os coloca no prompt para o LLM gerar a resposta. Todas as outras arquiteturas partem dessa ideia e mudam como a informação é recuperada e preparada antes de chegar ao modelo.

Open diagram

Diagram 4

Como funciona o RAG: indexação, busca e geração

O diagrama separa duas fases que acontecem em momentos diferentes. Na fase 1, offline, os documentos são divididos em chunks, convertidos em vetores por um embedding model e guardados no vector database com índices.

Open diagram

Diagram 5

Cinco estratégias de chunking para RAG

Antes de indexar um documento em um sistema RAG, é preciso dividi-lo em chunks. O diagrama mostra cinco formas de fazer isso, do corte mais simples (tamanho fixo) ao mais custoso (LLM). Cada uma usa um critério diferente para decidir onde cortar.

Open diagram

Diagram 6

Classic RAG, Graph RAG e Agentic RAG: o caminho até a resposta

As três arquiteturas partem da mesma pergunta e terminam numa resposta. O que muda é o caminho no meio.

Open diagram

Diagram 7

Hybrid Retrieval: BM25 + Vector Search fundidos com RRF

A User Query segue por dois caminhos em paralelo. O BM25 acerta termos exatos, como siglas, nomes e números. A busca vetorial compara embeddings e acerta o sentido, mesmo quando as palavras são diferentes. Cada retriever devolve seu próprio top-N, com scores em escalas incompatíveis.

Open diagram

Diagram 8

Por que o RAG falha: 7 pontos de falha em 3 fases

O diagrama segue o pipeline de cima para baixo: Indexing, Retrieval e Generation. Cada fase agrupa pontos de falha, e cada cartão mostra o problema e a correção típica.

Open diagram

Diagram 9

5 arquiteturas de RAG: o que cada variante muda

No alto está o RAG básico: a Query chega, a etapa de Retrieval busca contexto e o LLM gera a resposta. A etapa de Retrieval está destacada porque é nela, ou ao redor dela, que as variantes mexem.

Open diagram

Diagram 10

Seis técnicas de chunking para RAG, do mais simples ao mais caro

O diagrama organiza as seis estratégias para dividir documentos em chunks. Lendo de cima para baixo e da esquerda para a direita, o custo computacional e a sofisticação aumentam, como mostra a seta lateral.

Open diagram

Diagram 11

RAG: ingestão offline e consulta online até a resposta

O RAG (Retrieval Augmented Generation) combina três ações: Retrieve (buscar informação relevante), Augment (colocá-la no prompt) e Generate (o LLM responde). Assim, a resposta usa conhecimento externo e não depende só do que o modelo aprendeu no treino.

Open diagram