- \n
- O RAG cl\u00e1ssico falha sobretudo em duas coisas: n\u00e3o consegue \u00abafastar o zoom\u00bb para documentos inteiros e n\u00e3o consegue fazer verdadeira an\u00e1lise de dados sobre tabelas.<\/li>\n
- O Agentic RAG d\u00e1 ao agente de IA v\u00e1rias ferramentas em vez de uma \u00fanica pesquisa \u2013 \u00e9 ele que decide como pesquisa a base de conhecimento.<\/li>\n
- As tabelas (CSV\/Excel) s\u00e3o guardadas em separado, de forma a poderem ser consultadas por SQL \u2013 sem criar uma tabela pr\u00f3pria para cada ficheiro.<\/li>\n
- O agente consegue listar documentos, obter ficheiros inteiros, citar fontes e, se for preciso, melhorar a pesquisa.<\/li>\n
- A configura\u00e7\u00e3o de n8n apresentada \u00e9 um modelo ampli\u00e1vel, n\u00e3o um produto acabado \u2013 os prompts e as ferramentas t\u00eam de ser adaptados ao caso de uso concreto.<\/li>\n<\/ul>\n<\/div>\n
![\"Compara\u00e7\u00e3o](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/1487-1.png\")
O Agentic RAG d\u00e1 ao agente de IA v\u00e1rias ferramentas em vez de uma \u00fanica pesquisa.<\/figcaption><\/figure>\n Porque o RAG cl\u00e1ssico desilude na pr\u00e1tica<\/h2>\n
O RAG funciona por pesquisa de semelhan\u00e7a: a pergunta \u00e9 comparada com peda\u00e7os de texto guardados (\u00abchunks\u00bb) e os mais adequados s\u00e3o passados ao modelo de linguagem. O problema est\u00e1 na sele\u00e7\u00e3o. Ela ignora com regularidade contexto importante.<\/p>\n
Medin aponta duas fragilidades concretas:<\/p>\n
- \n
- Nenhuma vis\u00e3o sobre documentos inteiros:<\/strong> o RAG recorre apenas a excertos isolados. Quem quiser analisar tend\u00eancias numa tabela talvez receba s\u00f3 um quarto das linhas \u2013 e, com isso, um resultado errado.<\/li>\n
- Nenhuma an\u00e1lise de dados a s\u00e9rio:<\/strong> somas ou valores m\u00e1ximos ao longo de uma tabela n\u00e3o se calculam de forma fi\u00e1vel com uma pesquisa puramente textual.<\/li>\n<\/ul>\n
A isto junta-se um aborrecimento pr\u00e1tico: se se perguntar pela ata de uma determinada data, o RAG vai por vezes buscar o documento do dia errado \u2013 embora a data esteja no t\u00edtulo. E ligar documentos diferentes entre si, para estabelecer um contexto mais amplo, raramente resulta.<\/p>\n
O que o Agentic RAG faz de diferente<\/h2>\n
A ideia central \u00e9 simples: em vez de dar ao agente de IA uma \u00fanica ferramenta de pesquisa, d\u00e3o-se-lhe v\u00e1rias \u2013 e deixa-se que ele pr\u00f3prio decida como aborda a base de conhecimento. Medin define assim o Agentic RAG:<\/p>\n
Agentic RAG significa dar ao agente a capacidade de refletir sobre como<\/strong> pesquisa a base de conhecimento \u2013 em vez de o prender a uma \u00fanica ferramenta.<\/p><\/blockquote>\n
Em concreto, isso permite-lhe melhorar as suas consultas, escolher outra ferramenta quando for preciso e experimentar v\u00e1rios caminhos at\u00e9 ter uma resposta s\u00f3lida. Se a pesquisa RAG pura falhar, ele deixa de ficar bloqueado.<\/p>\n
As quatro ferramentas do agente<\/h3>\n
No fluxo de trabalho n8n o agente disp\u00f5e das seguintes ferramentas:<\/p>\n
- \n
- Pesquisa RAG<\/strong> \u2013 a cl\u00e1ssica pesquisa de semelhan\u00e7a, na vers\u00e3o melhorada j\u00e1 com indica\u00e7\u00e3o da fonte.<\/li>\n
- Listar documentos<\/strong> \u2013 o agente obt\u00e9m todos os documentos com t\u00edtulos e IDs e pondera quais poder\u00e3o ser relevantes.<\/li>\n
- Obter o conte\u00fado de um ficheiro<\/strong> \u2013 atrav\u00e9s do ID do ficheiro vai buscar o texto completo de um documento espec\u00edfico (por exemplo, a ata de 23 de fevereiro, identific\u00e1vel pelo t\u00edtulo).<\/li>\n
- Consulta SQL sobre tabelas<\/strong> \u2013 os ficheiros CSV e Excel s\u00e3o consultados como tabelas SQL, para tornar poss\u00edveis somas, m\u00e1ximos e an\u00e1lises semelhantes.<\/li>\n<\/ul>\n
No prompt de sistema, o agente \u00e9 instru\u00eddo a come\u00e7ar pelo RAG e a recorrer \u00e0s restantes ferramentas apenas quando a pesquisa n\u00e3o devolver o que \u00e9 preciso. Uma indica\u00e7\u00e3o importante do v\u00eddeo: pedir explicitamente honestidade ao agente \u2013 ou seja, que diga abertamente quando n\u00e3o encontrou resposta \u2013 reduz de forma sens\u00edvel as alucina\u00e7\u00f5es.<\/p>\n
Como s\u00e3o guardados os dados de tabelas<\/h2>\n
A parte tecnicamente mais interessante diz respeito \u00e0s tabelas. Para isso s\u00e3o criadas no Supabase tr\u00eas tabelas:<\/p>\n
- \n
- documents<\/strong> \u2013 cont\u00e9m os embeddings para o RAG, os metadados e os conte\u00fados de cada chunk.<\/li>\n
- document_metadata<\/strong> \u2013 guarda informa\u00e7\u00e3o de n\u00edvel superior: t\u00edtulos, URLs para indica\u00e7\u00e3o de fontes e \u2013 no caso das tabelas \u2013 o esquema (ou seja, os nomes das colunas).<\/li>\n
- document_rows<\/strong> \u2013 armazena as linhas das tabelas. Os dados propriamente ditos v\u00e3o para uma coluna JSONB<\/strong> flex\u00edvel chamada
row_data<\/code>.<\/li>\n<\/ul>\nO truque: com JSONB \u00e9 poss\u00edvel guardar quaisquer estruturas de colunas, sem ter de criar uma tabela SQL pr\u00f3pria para cada ficheiro CSV ou Excel. O agente l\u00ea primeiro o esquema a partir dos metadados, percebe que colunas est\u00e3o dispon\u00edveis e formula depois uma consulta SQL contra
row_data<\/code>. Medin sublinha expressamente que esta configura\u00e7\u00e3o \u00e9 simplificada \u2013 o esquema nada diz, por exemplo, sobre tipos de dados, pelo que uma soma sobre uma coluna com cifr\u00f5es pode falhar. O que lhe interessa \u00e9 o conceito, n\u00e3o uma implementa\u00e7\u00e3o perfeita.<\/p>\nO pipeline de RAG: do Google Drive para o Supabase<\/h2>\n
Antes de o agente poder trabalhar, \u00e9 preciso encher a base de conhecimento. O pipeline decorre em v\u00e1rios passos:<\/p>\n
- \n
- Acionador:<\/strong> um acionador do Google Drive verifica a cada minuto se h\u00e1 ficheiros novos ou alterados. Em alternativa funcionam o Dropbox ou um acionador de ficheiros local. Os ficheiros eliminados, por\u00e9m, n\u00e3o s\u00e3o detetados.<\/li>\n
- V\u00e1rios ficheiros ao mesmo tempo:<\/strong> um ciclo rec\u00e9m-acrescentado processa agora tamb\u00e9m v\u00e1rios ficheiros que chegam no mesmo intervalo de polling \u2013 uma falha conhecida da vers\u00e3o anterior.<\/li>\n
- Eliminar dados antigos:<\/strong> antes de cada importa\u00e7\u00e3o s\u00e3o removidos os registos existentes para o respetivo ID de ficheiro. Assim n\u00e3o fica para tr\u00e1s nenhum chunk desatualizado quando um documento ficou mais curto.<\/li>\n
- Extrair o conte\u00fado:<\/strong> um n\u00f3 Switch ramifica consoante o tipo de ficheiro \u2013 PDF, Google Doc, texto ou tabela s\u00e3o lidos de maneiras diferentes. Outros formatos, como JSON ou HTML, podem ser acrescentados atrav\u00e9s de n\u00f3s adicionais.<\/li>\n
- Guardar as tabelas em duplicado:<\/strong> os ficheiros CSV s\u00e3o, por um lado, preparados como documento de texto para o RAG e, por outro, guardados linha a linha em
document_rows<\/code> para consultas SQL.<\/li>\n<\/ul>\nUm obst\u00e1culo pr\u00e1tico na configura\u00e7\u00e3o: segundo o v\u00eddeo, para a liga\u00e7\u00e3o Postgres ao Supabase tem de se usar o transaction pooler<\/strong> (porta 6543) e n\u00e3o a liga\u00e7\u00e3o direta. A documenta\u00e7\u00e3o do n8n seria pouco clara neste ponto.<\/p>\n
Modelos utilizados<\/h3>\n
Para os embeddings \u00e9 usado o
text-embedding-3<\/code> da OpenAI e, como modelo de linguagem, oGPT-4o mini<\/code> \u2013 escolhidos deliberadamente por serem baratos e r\u00e1pidos. Para casos mais exigentes, Medin recomenda modelos mais potentes, como o GPT-4o ou o Claude Sonnet 4. Importante: na inser\u00e7\u00e3o e na consulta tem de se usar o mesmo modelo de embedding, com o mesmo n\u00famero de dimens\u00f5es.<\/p>\nTr\u00eas exemplos do v\u00eddeo<\/h2>\n
Medin demonstra como o agente escolhe ferramentas diferentes consoante a pergunta:<\/p>\n
- \n
- Pergunta sobre tabelas:<\/strong> perante \u00abem que m\u00eas tivemos mais clientes novos?\u00bb, o agente escreve uma consulta SQL e devolve o resultado correto (dezembro, 129 clientes novos) \u2013 em vez de confiar em chunks incompletos.<\/li>\n
- Pergunta puramente de RAG:<\/strong> perante \u00abonde podemos melhorar?\u00bb, a pesquisa de semelhan\u00e7a encontra o documento de feedback, apesar de a palavra \u00abmelhoria\u00bb n\u00e3o ter sido usada de prop\u00f3sito.<\/li>\n
- Obten\u00e7\u00e3o de ficheiro com fonte:<\/strong> ao obter uma ata de reuni\u00e3o completa, o agente devolve os action items e, se lhe for pedido, uma liga\u00e7\u00e3o clic\u00e1vel para a fonte.<\/li>\n<\/ul>\n
Conclus\u00e3o<\/h2>\n
O artigo mostra de forma s\u00f3bria porque o RAG ing\u00e9nuo n\u00e3o chega para muitas aplica\u00e7\u00f5es de neg\u00f3cio: ignora contexto e n\u00e3o sabe calcular com tabelas. A abordagem agentic resolve isso de forma pragm\u00e1tica, dando ao agente de IA v\u00e1rias ferramentas e margem de decis\u00e3o. Para quem decide numa PME e pondera um assistente de documentos, esta \u00e9 uma conclus\u00e3o importante: a qualidade n\u00e3o depende apenas do modelo, mas da arquitetura por tr\u00e1s dele. Quem adotar a configura\u00e7\u00e3o de n8n apresentada deve entend\u00ea-la como ponto de partida \u2013 os prompts, as ferramentas e o modelo de dados t\u00eam de ser adaptados ao pr\u00f3prio acervo de dados. Precisamente a consulta SQL sobre tabelas e o tratamento dos tipos de dados deixam espa\u00e7o para melhorias.<\/p>\n
- Pergunta puramente de RAG:<\/strong> perante \u00abonde podemos melhorar?\u00bb, a pesquisa de semelhan\u00e7a encontra o documento de feedback, apesar de a palavra \u00abmelhoria\u00bb n\u00e3o ter sido usada de prop\u00f3sito.<\/li>\n
- V\u00e1rios ficheiros ao mesmo tempo:<\/strong> um ciclo rec\u00e9m-acrescentado processa agora tamb\u00e9m v\u00e1rios ficheiros que chegam no mesmo intervalo de polling \u2013 uma falha conhecida da vers\u00e3o anterior.<\/li>\n
- document_metadata<\/strong> \u2013 guarda informa\u00e7\u00e3o de n\u00edvel superior: t\u00edtulos, URLs para indica\u00e7\u00e3o de fontes e \u2013 no caso das tabelas \u2013 o esquema (ou seja, os nomes das colunas).<\/li>\n
- Listar documentos<\/strong> \u2013 o agente obt\u00e9m todos os documentos com t\u00edtulos e IDs e pondera quais poder\u00e3o ser relevantes.<\/li>\n
- Nenhuma an\u00e1lise de dados a s\u00e9rio:<\/strong> somas ou valores m\u00e1ximos ao longo de uma tabela n\u00e3o se calculam de forma fi\u00e1vel com uma pesquisa puramente textual.<\/li>\n<\/ul>\n
- Nenhuma vis\u00e3o sobre documentos inteiros:<\/strong> o RAG recorre apenas a excertos isolados. Quem quiser analisar tend\u00eancias numa tabela talvez receba s\u00f3 um quarto das linhas \u2013 e, com isso, um resultado errado.<\/li>\n