Pular para o conteúdo principal
Geração aumentada por recuperação

Chatbot RAG para
Sites e documentação

Um chatbot RAG para sites, documentação e centros de ajuda que recupera informação do seu próprio conteúdo para fundamentar as respostas. O ChattyBox foi concebido para responder a perguntas como "O que está incluído no plano Pro?" com base nas suas páginas publicadas e pode fornecer ligações às fontes — sem necessidade de criar ou alojar uma infraestrutura de recuperação personalizada.

O que é RAG?

O RAG combina um modelo de linguagem com conteúdo de origem recuperado. Antes de gerar uma resposta, o chatbot pesquisa nas suas páginas publicadas por trechos que correspondam à pergunta.

Se a prioridade é a confiança nas respostas, combine este fluxo de recuperação com um chatbot de IA fundamentado concebido para reduzir respostas inventadas através de restrições de fonte e comportamento de fallback.

1

Recuperar

Quando um visitante faz uma pergunta, o ChattyBox pesquisa conteúdo indexado de site, documentação, ajuda e CMS por trechos relevantes.

2

Aumentar

Esses trechos de origem são adicionados como contexto para que o modelo tenha algo específico para responder.

3

Gerar

O modelo gera uma resposta concisa e pode incluir links de origem para que os visitantes verifiquem os detalhes.

Evidências editoriais testadas

O caminho completo do RAG, da fonte à resposta com citação

Um sistema RAG fiável é uma cadeia de etapas testáveis, não uma única chamada ao modelo. A arquitetura de referência genérica que se segue ilustra verificações da preparação do conteúdo, da recuperação, da geração e da citação; não é uma especificação das capacidades do ChattyBox.

Autor técnico
Engenharia da ChattyBox
Revisor técnico
Revisão de documentação da ChattyBox
Última atualização
Informações verificadas
9 de julho de 2026

Revisto quando o comportamento da recuperação muda e, pelo menos, de seis em seis meses.

Diagrama da arquitetura RAG com as etapas de rastreio, análise, divisão, embedding, recuperação, prompt, resposta e citação
As fontes são preparadas num índice e o chatbot procura passagens para fundamentar as respostas. As respostas podem incluir ligações às páginas recuperadas, que os utilizadores podem consultar para verificar a fundamentação.
Cada etapa tem uma saída e uma verificação de qualidade distintas; testar apenas o texto final oculta falhas de indexação e recuperação.
EtapaExemplo de operaçãoControlo a verificar
Etapa
1. Rastrear
Exemplo de operação
Descobrir páginas permitidas a partir de URLs e sitemaps.
Controlo a verificar
Os URLs esperados estão presentes; os caminhos excluídos e privados estão ausentes.
Etapa
2. Analisar
Exemplo de operação
Extrair texto útil da página e conservar informações sobre a fonte para recuperação.
Controlo a verificar
O ruído de navegação é removido sem descartar comandos ou rótulos de versão.
Etapa
3. Dividir
Exemplo de operação
Dividir o conteúdo em excertos que conservam o URL da página de origem.
Controlo a verificar
Cada trecho é compreensível isoladamente e preserva os pré-requisitos.
Etapa
4. Gerar embeddings
Exemplo de operação
Representar os trechos para correspondência semântica e armazenar os metadados da fonte.
Controlo a verificar
Cada vetor corresponde a um trecho atual e permitido da fonte.
Etapa
5. Recuperar
Exemplo de operação
Classificar um pequeno conjunto de trechos em relação à pergunta do visitante.
Controlo a verificar
Os testes de Recall@k colocam o trecho de referência no conjunto de contexto.
Etapa
6. Prompt
Exemplo de operação
Combinar a pergunta, os trechos, os metadados das fontes e as regras de fallback.
Controlo a verificar
Reveja as instruções para detetar conflitos com as orientações de fundamentação e de fallback; os prompts, por si só, não podem garantir o cumprimento dessas orientações.
Etapa
7. Responder
Exemplo de operação
Instrua o modelo a usar detalhes fundamentados ou recusar quando as evidências forem insuficientes.
Controlo a verificar
Verifique as afirmações face ao contexto; a ausência de contexto utilizável ou uma lacuna detetada no conteúdo pode desencadear um fallback.
Etapa
8. Citar
Exemplo de operação
Devolver os URLs das páginas recuperadas para respostas fundamentadas; verificar se sustentam a resposta.
Controlo a verificar
Os links são acessíveis, correspondem à versão e sustentam diretamente a afirmação.

Atualização e reindexação

O conteúdo alterado tem de ser obtido e armazenado antes de o ChattyBox o poder usar. A recuperação vetorial depende de embeddings atualizados; em alguns casos, o fallback de páginas armazenadas pode fornecer contexto sem excertos correspondentes. As atualizações e a recuperação podem ainda sofrer atrasos ou falhar, pelo que deve testar respostas representativas face às fontes atuais, sobretudo no caso de preços, políticas e documentação com versões.

Limites entre fontes públicas e privadas

As páginas públicas podem partilhar um único âmbito de rastreio. Os dados privados, de clientes, funcionários ou contas exigem ingestão autenticada e autorização no momento da recuperação, antes de os excertos entrarem no prompt. As regras de robots não são um controlo de acesso. Nunca indexe segredos e verifique que identidades não autorizadas não conseguem recuperar títulos, excertos, URLs ou detalhes de respostas de fontes restritas.

Avalie a recuperação antes de julgar a redação

Use um conjunto versionado de perguntas com excertos de fontes conhecidos, afirmações esperadas e casos em que se espera uma resposta alternativa. Execute-o após alterações às fontes, à divisão, aos embeddings, à ordenação ou ao prompt e depois analise as falhas por etapa.

SinalComo medirFalha que revela
Sinal
Recall@k
Como medir
Proporção de perguntas respondíveis em que um trecho de referência aparece nos k primeiros resultados.
Falha que revela
Cobertura de rastreio insuficiente, excertos fracos, incompatibilidade de vocabulário ou embeddings desatualizados.
Sinal
Qualidade da ordenação
Como medir
Registe a posição recíproca ou o nDCG dos excertos considerados relevantes.
Falha que revela
Existe uma página relevante, mas ruído ou uma versão obsoleta aparece acima dela na ordenação.
Sinal
Fundamentação das afirmações
Como medir
Reveja cada afirmação relevante face aos excertos fornecidos ao modelo.
Falha que revela
A resposta combina suposições com evidências ou exagera o que a fonte afirma.
Sinal
Precisão das citações
Como medir
Verifique se cada citação é acessível e sustenta diretamente a afirmação associada.
Falha que revela
A resposta correta aponta para uma página apenas relacionada ou para a versão errada.
Sinal
Precisão e recall do fallback
Como medir
Inclua perguntas sem resposta possível e com fontes contraditórias; avalie as recusas corretas e as respostas não fornecidas.
Falha que revela
O bot adivinha sem provas ou recusa responder apesar de haver provas adequadas.
Sinal
Atraso de atualização
Como medir
Meça o tempo entre uma alteração publicada na fonte e a recuperação de uma resposta correta.
Falha que revela
Atraso no novo rastreio, excertos desatualizados duplicados ou falha na propagação de eliminações.

Escolha RAG para conhecimento mutável e atribuível

MétodoMais adequadoLimitação importante
Método
Pesquisa por palavra-chave ou no site
Mais adequado
Os utilizadores querem páginas ordenadas e consultam a fonte por si próprios.
Limitação importante
Não sintetiza uma resposta e pode deixar de encontrar correspondências semânticas.
Método
RAG
Mais adequado
O conhecimento muda, as citações são importantes e as respostas abrangem alguns trechos.
Limitação importante
A qualidade depende da cobertura do rastreio, da recuperação, das permissões e da qualidade das fontes.
Método
Ajuste fino
Mais adequado
Ensinar estilo, formato, classificação ou comportamento de tarefas estáveis.
Limitação importante
Não é um substituto fiável para factos atuais, citações ou eliminação de fontes.
Método
Prompt com contexto longo
Mais adequado
Um conjunto delimitado de documentos cabe no contexto e todos os itens são relevantes.
Limitação importante
O custo e o ruído aumentam com o contexto; as permissões e a atualização continuam a exigir controlos.

Como avaliar um chatbot RAG para suporte ao cliente

Não existe uma opção universalmente melhor. Teste a fidelidade das citações, o comportamento de fallback, a atualidade das fontes, conteúdo contraditório, encaminhamento, limites do contexto privado, análises, integrações e esforço de implementação com as mesmas perguntas de suporte.

Respostas a partir de conteúdo público

Um chatbot RAG focado pode responder a perguntas repetitivas a partir de documentos aprovados e artigos de ajuda, com citações e comportamento de fallback conservador.

Ações de conta e tratamento de casos

Escolha uma suite de suporte mais abrangente quando precisar de ações autenticadas na conta, encaminhamento de tickets, SLAs, espaços de trabalho para agentes ou operações entre canais.

Execute os mesmos testes de limites

Inclua perguntas sobre conteúdo ausente, desatualizado, contraditório, privado e de alto impacto. Registe URLs citados, recusas, encaminhamentos e notas dos revisores em vez de publicar uma pontuação não verificada.

Planeie os limites do suporte e do encaminhamento · Avalie as evidências das fontes ligadas · Use a lista de verificação para reduzir alucinações

Passo a passo da fonte à resposta

Suponha que a página de instalação indexada indica que o script do widget deve ficar imediatamente antes da etiqueta de fecho body. A recuperação deve selecionar esse excerto, o prompt deve proibir orientações de posicionamento sem fundamento e a resposta deve apresentar a instrução com uma ligação à página de instalação como prova.

  1. 1. A pergunta é convertida em embedding e comparada aos trechos permitidos.
  2. 2. O excerto de instalação fica acima de páginas mais abrangentes sobre o widget na ordenação.
  3. 3. O modelo recebe instruções para responder com o detalhe de posicionamento presente nessa passagem.
  4. 4. O cartão da fonte encaminha o utilizador para a página exata da documentação.

Continue com os guias sobre citações de fontes, Chatbot de IA para Docusaurus com citações, chatbots para documentação de programadores e a Chatbot de IA para MkDocs com fontes citadas.

Assistente de documentação
Onde devo adicionar o script do widget?
Adicione o script do widget do ChattyBox imediatamente antes da etiqueta de fecho body em cada página em que o widget deve aparecer.

Conversa ilustrativa — não é um chat em direto.

Disponibilizado pelo ChattyBox

Como o ChattyBox mantém a recuperação prática

Índice de conteúdo pesquisável

As páginas do seu site, da documentação, do centro de ajuda e do CMS são indexadas para que o chatbot possa pesquisar o conteúdo que já publica.

Modelo de embeddings

Os embeddings ajudam a corresponder perguntas dos visitantes a trechos relevantes da fonte, mesmo quando a redação é diferente.

Recuperação focada

O ChattyBox procura conteúdo de origem relevante para fornecer como contexto; se não houver contexto utilizável, pode devolver uma resposta de fallback.

Prompting limitado ao contexto

O modelo recebe instruções para responder com base no contexto recuperado e evitar afirmações sem fundamento. Essas instruções não garantem uma resposta correta.

Ligações de citação

As respostas fundamentadas podem incluir ligações para as páginas de origem recuperadas, para que os utilizadores as possam consultar. As respostas de fallback podem não ter citações.

Tratamento alternativo

Quando falta conteúdo relevante, o bot pode recorrer a uma resposta de fallback em vez de improvisar uma resposta sem fundamento.

RAG chatbot vs chatbot genérico de IA

Um chatbot genérico responde a partir da memória abrangente do modelo e pode parecer confiante sobre coisas que não sabe. Um chatbot RAG recupera primeiro informação das suas páginas e recebe instruções para usar esse conteúdo; as ligações às fontes podem ajudar os utilizadores a verificar a resposta, mas a exatidão não é garantida.

Chatbot de IA genérico
  • —Respostas da memória ampla do modelo, não do seu conteúdo.
  • —Pode inventar funcionalidades, preços ou passos que não constam da sua documentação.
  • —Nenhuma fonte clara para verificar a resposta.
RAG chatbot
  • Recupera primeiro informação do seu site publicado, da documentação e do conteúdo de ajuda.
  • Pode usar um fallback configurado quando a recuperação não contém respaldo suficiente para uma resposta.
  • Pode citar páginas de apoio para que os visitantes inspecionem as evidências por trás de afirmações relevantes.

Quando as citações forem prioritárias, combine a recuperação com um chatbot de IA com citações de fontes que liga respostas fundamentadas às respetivas páginas de origem.

RAG sem reconstruir a sua infraestrutura de conteúdo

Ligue o conteúdo existente do seu site, teste a qualidade das respostas e incorpore um chatbot com citações das fontes quando as respostas forem adequadas.

Comece grátis — sem cartão de crédito