RAG caseiro resolve um problema que já mostrámos, no nosso teste de alucinações de IA: perguntar diretamente a um chatbot é arriscado quando o assunto exige factos exatos. E no post sobre Chain-of-Thought e auto-verificação vimos que forçar a IA a “pensar melhor” ajuda, mas só até certo ponto. Há uma técnica diferente, e mais eficaz na maioria dos casos práticos: em vez de perguntares à IA o que ela “sabe” de memória, dás-lhe os teus próprios documentos e pedes para responder só com base neles. Chama-se RAG, e já não precisas de programar nada para o fazer.
O que é RAG, em português simples
RAG significa Retrieval-Augmented Generation, ou “geração aumentada por recuperação”. Na prática é simples: carregas um PDF, um TXT ou outro documento para a ferramenta de IA, e ela passa a “consultar” esse documento antes de responder, em vez de inventar a partir do que aprendeu durante o treino. É a diferença entre perguntar a alguém “de cabeça” e perguntar a alguém que tem o teu contrato, o teu manual ou as tuas notas abertas à frente enquanto responde.
Isto reduz muito o risco de invenção, mas não o elimina por completo. A IA ainda pode ler mal uma frase do documento, misturar informação de páginas diferentes de forma errada, ou responder com confiança a algo que não está lá. Vamos voltar a este ponto mais à frente, porque é importante não vender RAG como uma solução mágica.
NotebookLM: o mais orientado para isto
Já fizemos uma review completa do NotebookLM, que em julho de 2026 passou a chamar-se Gemini Notebook — a Google confirma que é o mesmo produto, só muda o nome e a integração com o resto do ecossistema Gemini. Continua a ser a ferramenta mais vocacionada para RAG caseiro sem programação. No plano gratuito carregas até 50 fontes por notebook (PDFs, Google Docs, links, até áudio). Os planos pagos já não passam por um “Google One AI Premium” único: agora sobes para 100 fontes no Google AI Plus (4,99 euros/mês), 300 no Google AI Pro (21,99 euros/mês), e 500 ou 600 no Google AI Ultra (99,99 ou 219,99 euros/mês, consoante o escalão de armazenamento incluído).
Uma nota sobre a promessa de “zero alucinações”: o NotebookLM está desenhado para responder só com base nas fontes que carregaste, e cita sempre a passagem exata de onde tirou a resposta, o que é uma proteção real. Mas “desenhado para” não é o mesmo que “garantido”. Continua a valer a pena clicares nas citações e confirmares que o trecho diz mesmo o que a IA resumiu, sobretudo em documentos longos ou com linguagem técnica.
ChatGPT Projects e GPTs personalizados
O ChatGPT também tem uma versão de RAG caseiro através dos Projects. No plano gratuito consegues carregar até 5 ficheiros por projeto. No Plus e no Go sobes para 25, e no Pro, Business, Enterprise ou Edu chegas a 40 ficheiros por projeto, com o limite de subires até 10 de cada vez.
Se precisares de mais controlo, criar um GPT personalizado com uma secção de “Knowledge” permite até 20 ficheiros, cada um até 512MB ou 2 milhões de tokens. É uma opção mais avançada, mas continua a não exigir programação, só configuração dentro da própria interface.
Claude Projects: sem limite de ficheiros
Os Projects do Claude aceitam ficheiros até 30MB cada, sem limite no número de ficheiros por projeto. Há um limite de contexto de 200 mil tokens, mas quando o ultrapassas o Claude muda automaticamente para um modo de RAG que só vai buscar os trechos relevantes em vez de tentar ler tudo de uma vez, o que multiplica a capacidade efetiva por cerca de 10 vezes. Na prática, é a opção mais flexível quando tens uma pasta cheia de documentos e não queres andar a escolher quais carregar.
Gemini Gems: a opção mais limitada
Os Gems do Gemini permitem carregar até 10 ficheiros por gem. É claramente pensado para um conjunto pequeno e estável de documentos de referência, como um manual da empresa ou um guia de estilo, não para arquivos grandes ou coleções que crescem com frequência. Se o teu caso de uso é simples e não vai mudar muito, funciona bem. Se precisas de escala, olha primeiro para o NotebookLM ou para o Claude.
Comparação rápida
- Gemini Notebook (antigo NotebookLM): 50 fontes grátis, 100 no Google AI Plus, 300 no Pro, até 600 no Ultra. Melhor para quem quer citações claras e um assistente dedicado a um conjunto de documentos.
- ChatGPT Projects: 5 ficheiros grátis, 25 no Plus/Go, 40 no Pro/Business/Enterprise/Edu. GPTs personalizados chegam a 20 ficheiros de até 512MB cada.
- Claude Projects: ficheiros até 30MB, sem limite de quantidade, com modo RAG automático acima de 200 mil tokens.
- Gemini Gems: até 10 ficheiros. Serve para referências pequenas e estáveis, não para arquivos grandes.
Como montar isto na prática
- Junta os documentos que queres usar como fonte (PDFs, TXT, Docs). Se forem faturas ou documentos manuscritos, vale a pena veres primeiro o nosso post sobre digitalizar faturas e inventários manuscritos, porque a qualidade da leitura afeta diretamente a qualidade das respostas.
- Escolhe a ferramenta pelo volume: poucos documentos de referência, Gemini Gems chega. Uma coleção maior com necessidade de citações claras, NotebookLM. Muitos ficheiros heterogéneos e uso mais técnico, Claude Projects. Já vives dentro do ecossistema ChatGPT, Projects ou um GPT personalizado.
- Carrega os ficheiros e faz uma primeira pergunta simples, cuja resposta já sabes de cor. Serve para confirmares que a IA está mesmo a ler o documento e não a responder da memória geral.
- Sempre que a resposta for importante, pede a fonte exata (página, secção, citação) e confirma manualmente. O NotebookLM facilita isto porque cita por padrão. Nas outras ferramentas, pede explicitamente.
- Se o fluxo se tornar repetitivo, por exemplo responder sempre às mesmas perguntas sobre os mesmos documentos, considera ligar isto a uma automação, como descrevemos no post sobre o pipeline oculto entre ferramentas de IA.
Onde é que isto ainda pode falhar
RAG reduz drasticamente as invenções, mas não é uma garantia absoluta. Os problemas mais comuns que vale a pena conheceres:
- Leitura incorreta de tabelas ou estruturas complexas: já vimos, no nosso teste de alucinações, IA a inventar detalhes ao lidar com estruturas de dados irregulares. O mesmo risco existe ao ler tabelas complicadas dentro de um PDF.
- Mistura de fontes: quando carregas vários documentos parecidos, a IA pode juntar informação de um com informação de outro sem avisar.
- Excesso de confiança na resposta: mesmo citando a fonte, a IA pode resumir mal um trecho ambíguo e apresentar essa leitura como certeza.
- Privacidade dos dados: estás a carregar documentos, por vezes sensíveis, para servidores de terceiros. Vale a pena reveres o nosso guia sobre que ferramentas de IA usam os teus dados para treino antes de carregares informação confidencial.
Para resumir
RAG caseiro é, hoje em dia, a forma mais acessível de tornares as respostas de uma IA mais fiáveis, sem escrever uma linha de código. NotebookLM continua a ser a opção mais amadurecida para isto, o Claude ganha em flexibilidade quando tens muitos ficheiros, o ChatGPT funciona bem se já vives no seu ecossistema, e o Gemini Gems serve bem casos pequenos e estáveis. Mas nenhuma destas ferramentas te dispensa de verificar. Pede sempre a fonte, confirma a citação, e trata a resposta como um ponto de partida, não como a palavra final. Feito com cuidado, o RAG caseiro é hoje a técnica mais acessível para qualquer pessoa que precise de respostas fiáveis a partir dos seus próprios documentos.
