01 de dezembro de 2025 · Administrador
Construindo um MVP de IA com RAG: o que estamos aprendendo na prática
Se você trabalha com tecnologia, uma hora ou outra chega o momento de falar sobre Inteligência Artificial.
Nos últimos anos, a IA vem ganhando cada vez mais força — e a tendência é que isso acelere ainda mais, passando a fazer parte de mais processos, produtos e do dia a dia de negócios e pessoas.
De onde partiu a ideia
Nas últimas semanas, no projeto em que estou alocado, meu time e eu avaliamos como uma solução de IA poderia gerar valor real para a aplicação. A partir dessa avaliação, decidimos desenvolver um MVP de IA focado em um caso de uso bem específico — em vez de tentar resolver tudo de uma vez.
Para isso, comecei a estudar RAG (Retrieval-Augmented Generation), uma arquitetura que combina busca em bases de conhecimento com modelos de linguagem, permitindo respostas mais precisas, contextualizadas e confiáveis.
As peças que compõem essa arquitetura
Nesse processo, venho trabalhando com tecnologias como:
- RAG Models
- LangChain
- Desenvolvimento de APIs em Python
- LLMs e Embedding Models
- WatsonX Granite
- PostgreSQL + PGVector
Cada uma dessas peças resolve uma parte específica do problema — da busca semântica na base de conhecimento até a geração da resposta final, passando pela forma como o contexto é recuperado e entregue ao modelo.
Desenhando a solução
Tenho desenhado uma solução sob medida para a nossa necessidade, pensando cuidadosamente em cada camada, nos fluxos e nos diferentes casos de uso. Não é sobre plugar um modelo de linguagem genérico — é sobre entender onde a IA realmente resolve um problema do usuário e desenhar a arquitetura em volta disso.
Acreditamos que isso pode mudar completamente a forma como o usuário se beneficia da aplicação.
Usar IA é diferente de construir IA
Já utilizo IA diariamente para ganhar produtividade em desenvolvimento, gestão de projetos e arquitetura. Mas construir uma solução de IA do zero é uma experiência diferente — desafiadora e, ao mesmo tempo, muito divertida de aprender.
É um lembrete de que existe uma distância grande entre usar uma ferramenta de IA pronta e entender, na prática, como cada camada dessa arquitetura funciona por baixo dos panos.