artigo

RAG e recuperação de conteúdo

A tese: quando a IA busca antes de responder, ela lê trechos, e um trecho que só faz sentido com o resto da página tem menos chance de servir.

resposta curtaRAG (retrieval-augmented generation) é a técnica em que um modelo de linguagem recebe, junto da pergunta, trechos recuperados de uma base, e responde com base neles. Foi descrita por Lewis et al. em 2020. Para um site, a implicação é escrever trechos que se sustentem sozinhos. O Google, porém, diz que não é necessário picar o texto em blocos para a Busca.
Neste texto

Qual é a tese?

Boa parte do vocabulário de "otimização para IA" nasce de uma ideia técnica simples: o modelo não lê a internet inteira; recebe um conjunto pequeno de trechos escolhidos por um mecanismo de recuperação. A tese deste artigo é que isso muda a unidade de leitura. Em vez da página, o que pesa é o trecho, e um trecho bom é aquele que continua verdadeiro e compreensível quando separado do resto.

O que é RAG, segundo a fonte original?

O artigo "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", de Patrick Lewis e colegas (NeurIPS 2020; última revisão em 12/04/2021), combina um modelo de linguagem pré-treinado, que funciona como memória paramétrica, com uma memória não paramétrica: um índice vetorial denso da Wikipédia, consultado por um recuperador neural. A proposta busca atenuar a dificuldade dos modelos em acessar e manipular com precisão o conhecimento armazenado, e melhorar a proveniência e a factualidade. Os autores reportam resultados de ponta em três tarefas de perguntas abertas e respostas mais específicas e factuais que as de um modelo só paramétrico.

Dois conceitos decorrem:

  • Memória paramétrica: o que o modelo aprendeu no treino. Não tem fonte citável.
  • Memória não paramétrica: o que é recuperado na hora. Tem origem e pode ser citado.

Quando uma plataforma cita páginas, está no segundo caso. É por isso que ela só cita quando a busca é acionada, como mostram as páginas de ChatGPT e Claude.

O que a pesquisa diz sobre posição da informação?

O estudo "Lost in the Middle: How Language Models Use Long Contexts" (Liu et al., TACL 2023) testou como modelos usam informação em entradas longas. A conclusão: o desempenho costuma ser maior quando a informação relevante está no início ou no fim da entrada, e piora quando está no meio, mesmo em modelos de contexto longo.

Atenção ao alcance. O estudo trata do que o modelo faz com um contexto que lhe foi dado, e não de como um buscador escolhe páginas. A relação com a escrita de páginas é indireta: se o trecho recuperado for longo, uma resposta enterrada no meio tem mais chance de ser mal aproveitada. Daí a prática de abrir cada seção com a resposta.

O que o Google diz sobre dividir o texto?

O guia do Google para recursos de IA na Busca (atualizado em 10/07/2026) afirma que o conteúdo não precisa ser dividido em pedaços pequenos, que o Google consegue identificar tópicos distintos numa página e que não existe tamanho ideal. Descreve ainda que os recursos de IA da Busca usam recuperação de dados (grounding) e query fan-out sobre os sistemas centrais.

Há tensão aparente com a ideia de "escrever para trechos". Ela se resolve separando duas coisas. Uma é dividir artificialmente o texto, em fragmentos curtos e soltos, para agradar a um sistema, o que o Google desaconselha. Outra é escrever seções coerentes, cada uma respondendo a uma pergunta, o que é só boa redação. A primeira é truque; a segunda serve ao leitor, que também tem pressa e lê por trechos.

Qual é o contraponto?

O contraponto vem em duas camadas.

A sofisticação dos sistemas varia. Os detalhes de recuperação das plataformas de IA não são públicos nas fontes que consultei. Sistemas diferentes podem usar índices, recuperadores e tamanhos de trecho diferentes. Afirmações como "o ideal são trechos de 300 palavras" não têm fonte oficial.

O Google não precisa disso. Se o seu público chega pelo Google, o guia oficial diz que o trabalho é de conteúdo útil e acesso técnico. Reformatar páginas existentes para uma suposta "recuperação em trechos" pode ser esforço sem retorno.

Como aplicar?

O teste é barato e não depende de adivinhar o sistema.

  1. 01Escolha uma seção qualquer da página, copie-a e cole em um documento vazio.
  2. 02Leia sem o contexto. Pergunte: dá para entender de quem ou de que se fala? A resposta está na primeira frase? Algum número ou prazo ficou sem fonte e data?
  3. 03Corrija o que falhar: troque pronomes por nomes, abra com a resposta, acrescente a fonte onde há dado.
  4. 04Cuide do início da seção. Se a resposta estiver depois de três parágrafos de contexto, inverta a ordem.
  5. 05Mantenha as seções coerentes e curtas o suficiente para uma pergunta cada. Não fragmente além disso.
  6. 06Confira o HTML: a seção precisa estar presente no código recebido pelos robôs. Veja SEO técnico para IAs.
  7. 07Meça as consultas relacionadas com o protocolo antes e depois.

O guia como escrever a unidade de resposta detalha o bloco de abertura.

Quais são os limites?

O artigo de RAG descreve uma arquitetura de pesquisa de 2020; produtos comerciais atuais podem usar variações que não são públicas. O estudo da posição da informação trata de contexto, e não de seleção de páginas. As recomendações aqui são práticas de redação, não fatores comprovados de citação.

Fontes

  1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al.), NeurIPS 2020, arXiv (2021-04-12)
  2. Lost in the Middle: How Language Models Use Long Contexts (Liu et al.), TACL, arXiv (2023-11-20)
  3. Optimizing your website for generative AI features on Google Search, Google Search Central (2026-07-10)

Meça antes de otimizar

Defina o conjunto de consultas, registre a linha de base e acompanhe a evolução com o mesmo protocolo.