Uma equipe de inovação de um órgão público está desenvolvend...

Próximas questões
Com base no mesmo assunto
Q4240121
Engenharia de Software Inteligencia Artificial ,
Ano: 2026 Banca: FCC Órgão: TJ-CE Prova: FCC - 2026 - TJ-CE - Analista Judiciário - Área Técnico Administrativa - Especialidade: Sistemas da Informação |
Q4240121 Engenharia de Software
Uma equipe de inovação de um órgão público está desenvolvendo um assistente baseado em modelos de linguagem para auxiliar servidores na consulta de atos normativos, resoluções internas e manuais administrativos. Durante os testes, observou-se que o modelo gerava respostas plausíveis, porém ocasionalmente apresentava informações desatualizadas ou não respaldadas pelos documentos institucionais. Para reduzir esse comportamento, foi proposta a adoção da arquitetura Retrieval-Augmented Generation (RAG). Diante dos fundamentos dessa arquitetura, seu objetivo é recuperar documentos potencialmente relevantes durante a consulta,
Alternativas

Gabarito comentado

Confira o gabarito comentado por um dos nossos professores

Gabarito: C

Fundamento decisivo: Na RAG, os documentos recuperados em consulta entram como contexto adicional para a geração da resposta.

Tema central: Funcionamento do RAG
Análise das alternativas
A
Errada
Está errada porque transforma a recuperação de documentos em etapa de retreinamento completo do modelo. Em RAG, os documentos recuperados são usados em tempo de consulta como contexto, e não como insumo para reexecutar treinamento antes de cada resposta.
B
Errada
Está errada porque fala em substituição do conhecimento do modelo. No RAG, o conteúdo recuperado complementa e orienta a geração por meio do contexto; não há substituição total do conhecimento paramétrico do modelo.
C
Certa
A alternativa C está correta porque descreve o procedimento próprio do RAG na fase de uso do modelo: recuperar documentos potencialmente relevantes e incorporar seu conteúdo ao contexto fornecido ao modelo de linguagem antes da resposta ser gerada. O ponto técnico é que o RAG orienta a geração com contexto externo em tempo de consulta, sem depender de retreinamento nem de alteração dos pesos do modelo.
D
Errada
Está errada porque confunde uso de contexto externo com atualização de pesos. RAG não exige modificar os parâmetros do modelo nem fazer fine-tuning a cada consulta; a informação recuperada entra no prompt/contexto.
E
Errada
Está errada porque elimina a etapa de geração e reduz a solução a busca com exibição de trechos. Isso descaracteriza RAG, que combina recuperação de documentos com geração pelo modelo de linguagem.
Pegadinha da questão
A confusão explorada foi tratar documentos recuperados como se servissem para retreinamento, atualização de pesos ou simples busca textual, quando no RAG eles servem para compor o contexto da geração.
Dica para questões semelhantes
  • Se a alternativa disser que o documento recuperado entra no contexto da consulta antes da resposta, ela está alinhada ao RAG.
  • Se a alternativa trocar recuperação em tempo de consulta por retreinamento, fine-tuning ou atualização de pesos, descarte.
  • Se a alternativa eliminar o gerador e deixar apenas busca ou exibição de trechos, não está descrevendo RAG.

Clique para visualizar este gabarito

Visualize o gabarito desta questão clicando no botão abaixo

Comentários

Veja os comentários dos nossos alunos

A arquitetura RAG (Retrieval-Augmented Generation) funciona combinando duas etapas: primeiro, um mecanismo de recuperação (retrieval) busca documentos relevantes relacionados à consulta do usuário (geralmente através de busca semântica em uma base vetorial); em seguida, o conteúdo desses documentos recuperados é incorporado ao contexto/prompt fornecido ao modelo de linguagem, antes da geração da resposta; permitindo que o modelo gere respostas fundamentadas nesses documentos específicos, sem necessidade de retreinar ou modificar o modelo em si.

Análise das alternativas:

  • A. Errada — RAG não envolve reexecutar o treinamento completo do modelo; essa é justamente uma das grandes vantagens da arquitetura: ela permite incorporar informações atualizadas/específicas sem o custo computacional e temporal de retreinar o modelo do zero; os documentos recuperados são usados apenas como contexto adicional na hora da geração, não como material de retreinamento.
  • B. Errada — Os documentos recuperados não substituem o conhecimento intrínseco do modelo (adquirido durante seu treinamento original); eles complementam/aumentam (daí o nome "Augmented") esse conhecimento, fornecendo contexto adicional específico e atualizado para a consulta em questão, mas o modelo continua utilizando sua capacidade geral de compreensão e geração de linguagem adquirida no treinamento.
  • C. Correta — Descreve corretamente o mecanismo central do RAG: o conteúdo dos documentos recuperados é incorporado ao contexto (geralmente inserido diretamente no prompt) fornecido ao modelo de linguagem, antes de o modelo gerar sua resposta permitindo que a resposta final seja fundamentada nesses documentos específicos e atualizados, reduzindo o problema de informações desatualizadas ou "alucinações" (respostas plausíveis, mas não respaldadas por fontes reais).
  • D. Errada — RAG não atualiza os pesos (parâmetros internos) do modelo de linguagem; essa seria uma descrição mais próxima de técnicas de fine-tuning (ajuste fino), que é uma abordagem tecnicamente diferente do RAG; no RAG, o modelo permanece inalterado em seus parâmetros, apenas recebendo informação adicional via contexto/prompt.
  • E. Errada — RAG não substitui a etapa de geração do modelo de linguagem por um mecanismo de busca; pelo contrário, a arquitetura combina ambos: primeiro a busca/recuperação de documentos relevantes, e depois a geração de uma resposta pelo modelo de linguagem, que efetivamente processa e sintetiza as informações recuperadas em uma resposta coerente, em vez de simplesmente "apresentar trechos encontrados" de forma bruta.

A alternativa correta é a C (X).

Por que a alternativa C é a correta?

  • Funcionamento da arquitetura RAG (Retrieval-Augmented Generation): O RAG combina busca de informações (Retrieval) com geração de texto (Generation) em tempo de execução (inference time), sem alterar o modelo base.
  • Fluxo operacional:
  1. A pergunta do usuário é convertida em vetor (embedding) e usada para buscar trechos relevantes em uma base documental externa indexada (normalmente um banco de dados vetorial contendo os normativos e manuais).
  2. Os trechos recuperados são injetados/incorporados diretamente no prompt (janela de contexto) enviado ao LLM junto com a pergunta original.
  3. O modelo gera a resposta ancorado (grounded) nesses documentos recentes, mitigando drasticamente as alucinações e a desatualização sem exigir novo treinamento.

Por que as outras alternativas estão incorretas?

  • A e D (Erradas): O RAG não retreina o modelo nem modifica/atualiza seus pesos (weights/parameters). A atualização de pesos ocorre apenas em processos de treinamento ou ajuste fino (fine-tuning).
  • B (Errada): Os documentos recuperados complementam a capacidade de raciocínio e linguagem do LLM (fornecendo fatos específicos e atualizados no contexto), e não substituem o conhecimento linguístico pré-treinado do modelo.
  • E (Errada): O RAG não elimina a etapa de geração; ele utiliza a busca para alimentar a etapa generativa, que sintetiza e redige a resposta em linguagem natural com base nos trechos recuperados.

Com apoio da IA

Clique para visualizar este comentário

Visualize os comentários desta questão clicando no botão abaixo

Questões de assuntos semelhantes

Provas relacionadas