Agentic RAG: quando o agente aprende a buscar sozinho

RAG tradicional funciona — até parar de funcionar

Para muitos de nós, a primeira aplicação com LLMs que construímos é um sistema RAG (Retrieval-Augmented Generation). A receita é simples: divida documentos em chunks, gere embeddings, faça busca por similaridade e peça ao modelo para responder. No papel, parece limpo. Na prática, a similaridade vetorial encontra palavras parecidas, mas não necessariamente os trechos úteis. A evidência certa fica enterrada no ranking, ou pior — está dividida entre chunks diferentes.

Com contexto insuficiente, o LLM tem pouco espaço para se recuperar. É aí que entra o RAG agentivo.

Buscar, ler, decidir — e buscar de novo

O RAG agentivo transforma a recuperação de documentos em um ciclo iterativo. Em vez de uma única busca seguida de resposta, o agente pesquisa, lê os resultados, decide se tem evidência suficiente e — se não tiver — busca novamente com uma consulta refinada. Em muitos casos, você nem precisa de embeddings vetoriais.

O autor implementou um fluxo mínimo usando o OpenAI Agents SDK com três ferramentas:

• list_docs() — visão geral do catálogo de documentos disponíveis
• search_docs(query) — busca por palavras-chave com pontuação de sobreposição de tokens
• read_doc(doc_name) — leitura do texto completo de um documento específico

O agente recebe instruções claras: pesquisar documentos, encontrar evidências suficientes, manter conclusões ancoradas nas políticas da empresa e citar os nomes dos arquivos usados. O comportamento esperado é que, ao receber uma pergunta complexa cuja resposta está distribuída entre vários documentos, o agente faça múltiplas rodadas de busca e leitura até montar uma resposta completa.

Para o caso de estudo, foram criados seis documentos sintéticos de políticas empresariais cobrindo áreas como licença parental, reembolso de despesas e segurança de dados — intencionalmente fragmentados para forçar o comportamento agentivo.

Por que isso importa agora

Em julho de 2026, o ecossistema de agentes de IA atingiu maturidade suficiente para que padrões como RAG agentivo sejam implementáveis em dezenas de linhas de código, não centenas. O OpenAI Agents SDK abstrai a complexidade do tool calling e do loop de decisão, permitindo que times pequenos construam sistemas de busca que realmente funcionam em dados corporativos reais — onde a resposta nunca está em um só lugar.

O código completo está disponível no GitHub, com notebooks executáveis e os documentos sintéticos usados no exemplo.