Termos de IA: um glossário para decidir e praticar
Revisado em .
Entender termos de IA ajuda a escolher uma solução e avaliar o que ela entrega. Tokens e contexto descrevem o processamento; RAG trata da recuperação de informação; agentes podem executar ações; avaliação verifica resultados. O vocabulário só se torna útil quando vira uma pergunta concreta: qual fonte sustenta a resposta, qual ação foi autorizada e como reconhecer um resultado aceitável?
Modelo, entrada e processamento
As definições curtas abaixo usam o glossário técnico do Google como referência. As perguntas de decisão são propostas práticas deste guia.
- LLM — modelo de linguagem de grande porte
- Modelo treinado para processar e gerar linguagem. Pergunte: a tarefa exige redigir, classificar, extrair ou consultar informação?
- Token
- Unidade em que o conteúdo é dividido para processamento. Pergunte: o limite ou a cobrança considera entrada, saída e quais modalidades?
- Janela de contexto
- Capacidade de tokens que o modelo pode considerar em uma interação. Pergunte: quais documentos realmente precisam entrar nesta tarefa?
- Prompt
- Entrada que orienta a resposta do modelo. Pergunte: objetivo, material de referência e formato esperado estão claros?
- Inferência
- Uso de um modelo já treinado para produzir uma saída. Pergunte: qual resultado precisa ser revisado antes de ser utilizado?
- Fine-tuning
- Treinamento adicional que ajusta parâmetros de um modelo. Pergunte: existe um padrão de comportamento demonstrável que exemplos avaliados precisam ensinar?
- Embedding
- Representação numérica de dados em um espaço de vetores. Pergunte: a semelhança recupera o conteúdo certo para esta necessidade?
- Alucinação
- Saída plausível que contém informação falsa ou sem suporte. Pergunte: cada fato importante pode ser conferido fora da resposta?
Não use um número único de tokens para descrever todos os produtos. Limites dependem do modelo e da interface, e podem mudar. Uma janela maior também não comprova que a informação relevante foi interpretada corretamente.
RAG: buscar material antes de responder
RAG, Retrieval-Augmented Generation, combina geração com recuperação em uma base de informação. O trabalho de Lewis e colaboradores descreve a combinação de memória paramétrica e recuperação de documentos. Na prática, a base pode ser um conjunto de manuais, páginas ou outros registros. Ela não é necessariamente a internet nem se atualiza sozinha.
Chunk é um trecho em que um documento foi dividido para uso no sistema. Recuperação seleciona material relevante para a pergunta. Reranking reordena candidatos recuperados. Grounding, neste guia, significa apoiar a resposta em evidências fornecidas ou consultadas. O critério é rastreabilidade: localizar o trecho que sustenta a afirmação.
Exemplo hipotético: o manual de uma máquina diz que uma peça deve ser revisada após determinada condição de uso. Se o sistema recupera a versão anterior do manual, o erro começa no acervo. Se recupera a versão correta, mas responde com outra condição, o erro está no uso da evidência. Separar esses casos orienta a correção.
Ferramentas, agentes e MCP
Ferramenta é uma função ou serviço que o sistema pode chamar, como consultar um catálogo. Agente é um sistema que pode planejar e executar ações para uma tarefa. Workflow é o fluxo de etapas e decisões; ele pode ser simples e não depende de vários agentes.
MCP, Model Context Protocol, padroniza interações entre aplicações de IA e servidores que disponibilizam capacidades. A documentação de arquitetura distingue participantes e primitivas como ferramentas e recursos. A existência do protocolo não torna um servidor automaticamente confiável, nem concede autorização para agir.
Ao especificar uma automação, escreva a ação por extenso. “Consultar disponibilidade” e “confirmar uma compra” precisam de controles diferentes. Defina responsável, limites, registro do resultado e condição de interrupção. Só acrescente agentes quando a divisão melhorar algo mensurável, como revisão independente ou execução de tarefas separadas.
Publicação e descoberta
GEO (Generative Engine Optimization) trata da otimização de conteúdo e presença para mecanismos generativos. Citação é uma atribuição a uma fonte; menção pode ser apenas o nome citado no texto. Uma marca mencionada sem link não comprova que seu site foi consultado.
JSON-LD é um formato de dados ligados definido pelo W3C; Schema.org oferece um vocabulário para descrever entidades e propriedades. Eles organizam descrições, mas não comprovam os fatos nem obrigam uma IA a citar a página. O guia do Google sobre recursos de IA não exige marcação especial de IA para inclusão.
Três exercícios para usar o vocabulário
- Extração com evidência. Escolha um documento público curto e peça que a ferramenta extraia três informações, indicando o trecho de suporte. Compare manualmente com o original. Aceite somente campos sustentados; marque como ausente aquilo que o documento não informa.
- Diagnóstico de recuperação. Use dois documentos de exemplo com datas e condições diferentes. Pergunte por uma condição da versão atual. Registre qual trecho foi recuperado antes de avaliar a resposta. Aceite quando versão, condição e fonte corresponderem; se não houver acesso aos trechos, registre a limitação.
- Desenho de uma ação. Descreva um assistente fictício de catálogo que apenas consulta disponibilidade. Liste entrada, ferramenta permitida, saída e condição de parada. Aceite o desenho se uma pessoa conseguir diferenciar consulta de alteração de estoque e souber quem autoriza a segunda.
Esses exercícios são exemplos didáticos, não resultados de uma avaliação realizada pela Brasil GEO. Use materiais sem dados pessoais ou confidenciais e um ambiente apropriado à tarefa.
Como comparar soluções sem depender de uma demonstração
Avaliação é a verificação de saídas contra critérios definidos. Monte uma pequena coleção de casos representativos, incluindo um caso sem resposta no material e um com versões conflitantes. Preserve a entrada e avalie correção, evidência, execução permitida e tempo de resposta separadamente. Um resultado agregado não deve esconder um erro crítico.
Critério de aceite: a pessoa que revisa consegue reproduzir os casos, localizar a evidência e explicar por que cada resultado passou ou falhou. Anote produto, configuração e data. Se comparar uma interface de chat com uma API, registre essa diferença em vez de tratar os resultados como equivalentes.
Para aprofundar recuperação e acervo, use o curso RAG, de Alexandre Caramaschi. Para aplicar o vocabulário à descoberta de páginas e marcas, continue pelo curso SEO e GEO. Leve os resultados dos exercícios para orientar o estudo.
Perguntas frequentes
RAG garante que a resposta usa informação atual?
Não. RAG depende do acervo disponível, de sua atualização, da recuperação e do uso correto dos trechos. Um documento antigo recuperado corretamente ainda pode sustentar uma resposta desatualizada.
Uma janela de contexto maior elimina a necessidade de revisão?
Não. Capacidade de entrada não equivale a precisão. O teste deve verificar se o sistema encontra, interpreta e utiliza a evidência relevante, além de medir tempo e custo quando aplicável.
Todo fluxo com IA precisa de vários agentes?
Não. Comece com as etapas e responsabilidades necessárias. Um fluxo simples pode resolver a tarefa; separar agentes só faz sentido quando houver benefício observável e coordenação adequada.
Uma resposta com link está necessariamente correta?
Não. O link pode existir e ainda não sustentar a afirmação. Abra a fonte e compare o trecho, a data, a entidade e as condições com o que foi respondido.
Fontes e aprofundamento
Fontes consultadas em 6 de outubro de 2026. O roteiro e os critérios de aceite são propostas editoriais deste guia.