RAG e MCP — Quando a IA Precisa de Fontes Externas

Você chegou ao capítulo mais estratégico do módulo. Até aqui, aprendeu a construir prompts melhores — escrever instruções mais claras, usar exemplos, encadear raciocínios, fazer a IA revisar a si mesma. Tudo isso trabalha com o que a IA já sabe.

Mas e quando o problema não é a forma do prompt, e sim o fato de que a informação que você precisa simplesmente não está na cabeça da IA?

Este capítulo responde a essa pergunta. Você vai conhecer duas tecnologias que transformaram a forma como a IA acessa o mundo externo: o RAG (Retrieval-Augmented Generation) e o MCP (Model Context Protocol).

O Problema do Conhecimento Congelado

Todo modelo de linguagem é treinado em texto coletado até uma data específica. Após esse treino, o conhecimento fica fixo, como uma fotografia. O mundo continua mudando — novos artigos, protocolos atualizados, decisões judiciais — e o modelo não sabe nada disso. Essa é a data de corte (knowledge cutoff).

Além disso, o modelo não tem acesso a documentos privados: o prontuário do seu paciente, o protocolo do hospital, o artigo recém-publicado que você quer discutir.

Lewis et al. (2020) descreveram: modelos pré-treinados armazenam conhecimento nos parâmetros, mas "sua capacidade de acessar e manipular esse conhecimento com precisão é limitada". É exatamente o que o RAG resolve.

Analogia médica: Um médico formado há dez anos tem todo o conhecimento da faculdade fixado. Para atender bem, ele consulta o prontuário, verifica diretrizes no UpToDate, confere a bula, relê o laudo. Combina o que sabe com o que recupera de fontes externas. O RAG faz exatamente isso com a IA.

O Que É RAG

RAG = Retrieval-Augmented Generation (Geração Aumentada por Recuperação). Combina dois tipos de memória:

• Memória paramétrica: o que o modelo aprendeu no treino
• Memória não-paramétrica: documentos externos consultados dinamicamente

Antes de gerar uma resposta, o sistema busca os documentos mais relevantes e os injeta no contexto. O modelo então responde com base tanto no que sabe quanto no que acabou de recuperar.

Passo 1 — Recuperar (Retrieve): Sua pergunta é transformada em representação matemática (vetor) e usada para buscar os trechos mais relevantes numa base de documentos indexada. Busca por significado, não por palavras exatas.

Passo 2 — Aumentar (Augment): Os trechos recuperados são inseridos no contexto da pergunta antes de chegar ao modelo. O contexto foi aumentado com informação externa.

Passo 3 — Gerar (Generate): Com o contexto enriquecido, o modelo gera sua resposta fundamentada nos documentos recuperados.

Por Que o RAG Reduz Alucinações

Dois mecanismos: (1) documentos relevantes no contexto ancoram a resposta em fontes verificáveis, reduzindo a tendência de "preencher lacunas"; (2) quando não encontra documentos relevantes, pode sinalizar a ausência de informação em vez de inventar.

Importante: O RAG reduz alucinações, mas não as elimina. A qualidade depende diretamente da qualidade dos seus documentos.

Ferramentas Práticas de RAG

Ferramenta	Acesso	Ideal para
NotebookLM (Google)	Gratuito	Síntese de artigos, comparação de fontes
Claude Projects	Claude.ai	Ambiente persistente com documentos + análise avançada
GPTs com Knowledge	ChatGPT Plus	Assistentes temáticos com documentos carregados
Google AI Studio	Gratuito	Análises pontuais com Gemini

O MCP (Model Context Protocol) é um protocolo aberto criado pela Anthropic que padroniza como modelos de IA se conectam a ferramentas e fontes de dados externas. Se o RAG dá à IA acesso a documentos, o MCP dá à IA acesso a sistemas inteiros — bases de dados, APIs, aplicações, serviços web.

Analogia: Pense no USB. Antes dele, cada dispositivo tinha um conector diferente. O USB padronizou a conexão — qualquer dispositivo funciona em qualquer computador. O MCP é o "USB da IA": um padrão universal que permite que qualquer modelo se conecte a qualquer ferramenta externa.

O que o MCP permite

• Buscar informações em tempo real (web, bases de dados)
• Executar ações em sistemas externos (enviar emails, criar documentos)
• Acessar ferramentas especializadas (calculadoras, APIs médicas)
• Integrar com aplicações existentes (Slack, GitHub, Google Drive, Notion)

Exemplos práticos

• Medicina: IA conectada via MCP ao PubMed busca artigos em tempo real para fundamentar diagnóstico diferencial
• Advocacia: IA conectada a base de jurisprudência pesquisa precedentes automaticamente
• Gestão: IA conectada ao CRM da empresa analisa dados de vendas sem que você precise exportar planilhas

Critério	RAG	MCP
O que faz	Busca e injeta documentos no contexto	Conecta a IA a ferramentas e sistemas externos
Tipo de dado	Documentos estáticos (PDFs, artigos, manuais)	Dados dinâmicos e ações (APIs, buscas, execuções)
Quando usar	Análise de documentos próprios, conhecimento privado	Informação em tempo real, ações automatizadas
Complexidade	Acessível (NotebookLM, Claude Projects)	Mais técnico (configuração de servidores MCP)
Analogia	Consultar a biblioteca antes de responder	Ligar para um especialista e pedir que ele faça algo

Na prática, eles se complementam. Um sistema robusto pode usar RAG para buscar documentos internos e MCP para acessar dados em tempo real e executar ações. A escolha não é RAG ou MCP — é entender qual problema cada um resolve.

Questão 1

Explique os três passos do RAG (Recuperar, Aumentar, Gerar) usando uma analogia do cotidiano médico.

Ver Gabarito

Recuperar: O médico consulta o UpToDate antes de prescrever — busca a informação relevante. Aumentar: Ele lê o artigo e incorpora as recomendações ao seu raciocínio clínico — o contexto da decisão foi enriquecido. Gerar: Com base no que sabe + no que acabou de ler, toma a decisão terapêutica fundamentada.

Questão 2 — Múltipla escolha

Sobre RAG, assinale a CORRETA:

(a) Elimina completamente as alucinações dos LLMs
(b) Requer retreinamento do modelo para cada nova base de documentos
(c) Combina memória paramétrica com memória não-paramétrica para gerar respostas fundamentadas
(d) Só funciona com documentos em inglês
(e) Substitui completamente o conhecimento interno do modelo

Ver Gabarito

(c) — RAG combina o conhecimento do treinamento (paramétrico) com documentos externos consultados dinamicamente (não-paramétrico). Não elimina alucinações completamente (a), não requer retreinamento (b), funciona em qualquer idioma (d) e complementa — não substitui — o modelo (e).

Questão 3 — RAG vs MCP

Para cada situação, indique RAG ou MCP:

(a) Analisar 20 artigos sobre TIVA em pacientes obesos
(b) Buscar os preços atuais de medicamentos em farmácia online
(c) Comparar protocolos internos do hospital com guidelines internacionais
(d) Enviar automaticamente um relatório por email após a análise

Ver Gabarito

(a) RAG — documentos estáticos para análise. (b) MCP — dados dinâmicos em tempo real. (c) RAG — comparação de documentos. (d) MCP — ação em sistema externo.

Questão 4

Por que "lixo entra, lixo sai" é uma preocupação especialmente relevante para sistemas RAG?

Ver Gabarito

Porque o RAG fundamenta as respostas nos documentos fornecidos. Se a base contém informações desatualizadas, incorretas ou de baixa qualidade, o modelo vai gerar respostas fundamentadas nesse material ruim — mas com a confiança de quem está citando uma fonte. A qualidade do RAG é diretamente proporcional à qualidade da base documental.