21/09/2026

 

Encontrar uma informação específica em um documento extenso nem sempre é simples. Quando o leitor não conhece bem a estrutura do material, pode ser necessário percorrer páginas e capítulos até chegar ao conteúdo desejado.

 

Foi a partir dessa dificuldade que surgiu a aplicação Consulta Inteligente ao Manual, um protótipo desenvolvido para consultar o Manual do Multiplicador de Robótica e Prototipagem, utilizado no Projeto Letramento Digital.

 

A proposta é simples: em vez de procurar manualmente por uma informação, o usuário escreve uma pergunta em linguagem natural. A aplicação pesquisa o próprio documento, identifica os trechos relacionados à dúvida e utiliza essas informações como base para elaborar a resposta.

 

Como funciona o RAG?

A aplicação utiliza uma arquitetura chamada RAG, sigla para Retrieval-Augmented Generation, ou Geração Aumentada por Recuperação.

 

Na prática, antes de responder, a Inteligência Artificial consulta uma fonte previamente definida. No protótipo, essa fonte é o próprio manual.

 

É como se uma pessoa, antes de responder a uma dúvida, abrisse o documento, procurasse os trechos mais relacionados à pergunta e só então elaborasse uma explicação.

 

Esse processo permite encontrar informações mesmo quando a pergunta do usuário não utiliza exatamente as mesmas palavras presentes no texto.

 

Da ideia à prática 

O usuário digita a pergunta em uma interface simples e inicia a consulta. A aplicação pesquisa o manual, seleciona os trechos mais relacionados e envia esse conteúdo ao modelo de linguagem, que gera a resposta.

 

Também é possível optar por complementar a consulta com fontes externas confiáveis. Nesse caso, as informações do manual e as informações externas são apresentadas separadamente, permitindo identificar a origem de cada conteúdo.

 

O protótipo foi desenvolvido por Ana Paula Rodrigues, colaboradora da Facti e instrutora do Projeto Letramento Digital, utilizando a arquitetura RAG (Retrieval-Augmented Generation), que permite conectar modelos de linguagem a fontes externas de informação. 

 

“A ideia surgiu da necessidade de facilitar a busca por informações em documentos extensos. Com o protótipo, o usuário pode fazer uma pergunta em linguagem natural e receber uma resposta baseada no próprio conteúdo do manual, sem precisar saber exatamente onde procurar. A proposta não é substituir o documento, mas tornar a consulta mais simples e direta. A partir desse protótipo, ainda há diferentes possibilidades de evolução da solução.”

 

A aplicação foi desenvolvida em Python e utiliza um modelo de linguagem por meio de API. Para o usuário, no entanto, todo esse processo acontece nos bastidores.

 

Limites e possibilidades

O uso de RAG ajuda a tornar a consulta mais direcionada, mas não elimina completamente a possibilidade de erros. A qualidade da resposta depende tanto dos trechos encontrados quanto das informações disponíveis no próprio documento.

 

Por isso, o protótipo foi desenvolvido com orientações para evitar a criação de informações que não estejam presentes nas fontes e para indicar quando o conteúdo encontrado não é suficiente.

 

Em versões futuras, a aplicação poderá evoluir para analisar automaticamente quando é necessário consultar outras fontes ou ferramentas autorizadas.

 

No caso do Manual do Multiplicador de Robótica e Prototipagem, a solução pode apoiar o planejamento e a preparação das atividades, facilitando o acesso às informações.

 

A proposta não é substituir o manual, mas ajudar o leitor a encontrar mais rapidamente o conteúdo de que precisa, utilizando a Inteligência Artificial como apoio à consulta.

 

Iniciativas como essa também demonstram como a Facti busca explorar aplicações práticas de tecnologias emergentes, conectando conhecimento, desenvolvimento tecnológico e necessidades reais em suas diferentes áreas de atuação. 

 

 

Por Ana Paula Rodrigues | Educacional Facti

 

 

 

Referências

GAO, Y. et al. Retrieval-Augmented Generation for Large Language Models: A Survey. 2023.

LEWIS, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, v. 33, 2020.

OPENAI. Developer quickstart. Disponível em: https://developers.openai.com/api/docs/quickstart Acesso em: 25 ago. 2026.

OPENAI. API pricing. Disponível em: https://developers.openai.com/api/docs/pricing  Acesso em: 25 ago. 2026.

SOUZA, Antonio Henrique Nascimento Machado de; SOUZA, Isadora Mota de; DIAS, Jônatas Cerqueira. Arquitetura RAG e agentes. Interface Tecnológica, v. 21, n. 2, 2024. DOI: 10.31510/infa.v21i2.1995.