Glossário de GEO e IA: definições e aplicação

GEO

Também chamado de: Generative Engine Optimization

Análise e otimização da presença de conteúdo em respostas de motores generativos.

GEO, sigla de Generative Engine Optimization, reúne práticas de análise de respostas, revisão de conteúdo e acompanhamento da presença de marcas em motores de IA. O trabalho examina perguntas, menções e fontes citadas para orientar melhorias. A seleção do que aparece em cada resposta depende do motor e da consulta.

Aplicação: Comece por uma pergunta do cliente, preserve a resposta observada e identifique a fonte vigente. O modelo de diagnóstico transforma esse registro em escopo e entrega verificável.

SEO

Também chamado de: Search Engine Optimization

Práticas para melhorar o acesso, a compreensão e a apresentação de páginas nos buscadores.

SEO, ou Search Engine Optimization, envolve conteúdo útil, organização de páginas, acesso dos rastreadores e aspectos técnicos do site. Essas práticas ajudam os buscadores a encontrar e interpretar o conteúdo. Os fundamentos de SEO também se aplicam às experiências de IA do Google, conforme o Google Search Central, conferido em outubro de 2026.

Aplicação: Confira acesso à URL, conteúdo principal e correspondência com a intenção do leitor. Depois compare dados da mesma propriedade e período. O curso de SEO e GEO ajuda a organizar essa revisão.

LLM

Também chamado de: Large Language Model, Modelo de Linguagem

Modelo de linguagem treinado para processar e gerar texto.

LLM é a sigla de Large Language Model, ou grande modelo de linguagem. Durante o treinamento, o modelo aprende relações em dados; em uso, gera uma saída a partir das instruções e do contexto disponível. Assistentes como ChatGPT, Gemini e Claude combinam modelos com recursos de produto, incluindo arquivos e ferramentas.

Aplicação: Registre separadamente modelo informado, produto, modo de busca e contexto disponível. O aceite de uma comparação exige saber o que mudou entre execuções; o nome do assistente, sozinho, não descreve toda a configuração.

B2A

Também chamado de: Business-to-Agent

Relação em que uma empresa atende a interações realizadas por agentes de IA.

Business-to-Agent descreve situações em que agentes consultam informações, comparam alternativas ou executam tarefas em nome de pessoas ou organizações. O agente precisa de acesso às informações e das permissões correspondentes à ação. Oferta, condições e limites de operação devem estar definidos para cada integração.

Aplicação: Escolha uma tarefa, como consultar disponibilidade, e descreva fonte, entrada, saída e permissão. Use a orientação de prontidão B2A para delimitar o trabalho e seu teste.

AI Overview

Também chamado de: AI Overviews

Resposta gerada por IA apresentada em determinadas pesquisas do Google.

AI Overviews sintetizam informações e apresentam links para páginas de apoio em pesquisas nas quais o Google considera o recurso útil. A exibição e as fontes variam conforme a consulta. A documentação do Google Search Central, conferida em outubro de 2026, mantém os fundamentos de SEO como base para essas experiências.

Aplicação: Preserve a consulta, a data e o link apresentado na experiência observada. Diferencie presença na resposta, impressão e clique; uma única captura não representa todas as consultas de uma plataforma.

zero-clique

Também chamado de: zero-click, busca zero-clique

Pesquisa encerrada sem clique em um resultado.

Uma busca pode terminar sem clique quando a pessoa encontra a informação na própria interface ou encerra a consulta por outro motivo. O termo descreve um comportamento observado. Identificar sua frequência exige definir a plataforma, o período e a amostra de pesquisas analisadas.

Aplicação: Examine busca, visitas e resultado comercial em registros separados. O guia de decisões na jornada sem clique ajuda a evitar a conclusão de que qualquer queda de tráfego comprova aumento de uso de IA.

tráfego orgânico

Visitas atribuídas a resultados não pagos de mecanismos de busca.

Tráfego orgânico é uma classificação de origem usada em ferramentas de análise. Sua interpretação depende das regras de atribuição e da configuração de medição. Mudanças no volume devem ser investigadas por página, consulta, período e canal, junto com fatores como demanda, indexação e posicionamento.

Aplicação: Confira as regras de canal da ferramenta antes de agregar visitas de assistentes às de buscadores. Mantenha fonte, meio, período e configuração no relatório; o curso de Google Analytics aprofunda a interpretação.

citabilidade

Condição de um conteúdo poder ser usado e atribuído como fonte.

No trabalho de GEO, citabilidade descreve características que facilitam a consulta de informações: afirmações claras, referências identificáveis e conteúdo que responde à pergunta. É um critério de revisão. A citação efetiva precisa ser observada nas respostas dos motores de IA.

Aplicação: Escolha uma afirmação decisiva e confira origem, condição e responsável. A ficha de revisão de citabilidade termina com um teste da tarefa do leitor, sem transformar qualidade editorial em citação garantida.

share of voice

Participação relativa de uma marca nas menções de um conjunto declarado.

O share of voice generativo compara a presença de uma marca com as demais menções nas respostas analisadas. O relatório precisa informar perguntas, motores, concorrentes e denominador adotado. Frequência de menção por resposta e participação entre menções são medidas diferentes e devem ser identificadas separadamente.

Aplicação: Declare numerador, denominador, conjunto de marcas e tratamento de falhas. Recalcule a conta usando o exemplo de presença, participação relativa e cobertura antes de comparar relatórios.

RAG

Também chamado de: Retrieval-Augmented Generation

Recuperação de informações para compor o contexto usado na geração de uma resposta.

Retrieval-Augmented Generation combina a busca de documentos com a geração de texto. O sistema recupera informações relacionadas à pergunta e as fornece ao modelo como contexto. A qualidade das fontes, da recuperação e da interpretação precisa ser avaliada; anexar documentos não assegura a correção da resposta.

Aplicação: Monte perguntas com documentos esperados, incluindo um caso sem informação suficiente. Avalie recuperação e resposta separadamente. O curso de RAG ajuda a construir esse conjunto de casos.

schema.org

Vocabulário para descrever entidades e relações em dados estruturados.

Schema.org define tipos e propriedades para representar pessoas, organizações, produtos, artigos e outras entidades. A marcação deve corresponder às informações disponíveis na página. Sua presença ajuda a expressar a estrutura dos dados, sem garantir indexação, destaque ou citação por um sistema externo.

Aplicação: Compare cada propriedade com o conteúdo visível e valide o tipo escolhido. QAPage no Google exige envio de respostas por usuários; uma resposta editorial única pede outra representação adequada, como Article.

JSON-LD

Formato de representação de dados vinculados usando JSON.

JSON-LD permite expressar entidades e relações em uma estrutura legível por sistemas. Sites podem usá-lo para incluir marcações de Schema.org, como a identificação de uma organização ou os atributos de um produto. Os dados publicados precisam acompanhar as informações que o visitante encontra na página.

Aplicação: Valide a sintaxe e depois confira nomes, URLs, datas e relações. O guia de JSON-LD mostra como separar validade técnica de veracidade editorial.

llms.txt

Proposta de arquivo Markdown para organizar referências acessíveis de um site.

O arquivo llms.txt pode reunir uma apresentação do site e referências a páginas de conteúdo em texto. É uma proposta de organização de informações para ferramentas que decidam utilizá-la. A documentação do Google Search Central, conferida em outubro de 2026, não exige esse arquivo para aparecer em AI Overviews ou AI Mode.

Aplicação: A proposta v2 permite raiz ou subcaminho e exige apenas o H1 como seção obrigatória. Se adotar o arquivo, teste seus links e sua manutenção com as orientações práticas de llms.txt.

IndexNow

Protocolo para notificar buscadores participantes sobre mudanças em URLs.

IndexNow permite informar que uma página foi criada, atualizada ou removida. A notificação comunica a mudança ao serviço participante. O rastreamento, a indexação e a apresentação do conteúdo continuam sujeitos aos critérios de cada buscador.

Aplicação: Confira a propriedade do domínio e o formato exigido pelo serviço. Registre envio, resposta e URL alterada; o aceite da notificação não equivale à confirmação de indexação.

prompt

Instrução ou entrada fornecida a um modelo de IA.

Um prompt pode conter uma pergunta, orientações, exemplos e contexto para a tarefa. O resultado depende tanto dessa entrada quanto das capacidades e da configuração do sistema. Em avaliações, registrar o prompt permite comparar respostas e reproduzir as condições da consulta.

Aplicação: Escreva pedido, contexto, limites e critério de conclusão. O modelo de especificação de tarefa ajuda a transformar uma intenção vaga em um pedido testável.

EEAT

Também chamado de: E-E-A-T, EAT

Experiência, especialização, autoridade e confiança na avaliação da qualidade de conteúdo.

E-E-A-T reúne critérios usados nas orientações do Google para avaliar a qualidade das páginas. A revisão considera quem produziu a informação, a experiência relacionada ao tema e a sustentação das afirmações. O conjunto ajuda a discutir qualidade editorial; ele não corresponde a uma pontuação pública única de uma página.

Aplicação: Para uma afirmação relevante, identifique fonte, experiência declarada, responsável e limites. A matriz de qualidade editorial permite revisar esses aspectos sem inventar pesos de ranking.

CTR

Também chamado de: Click-Through Rate

Proporção de cliques em relação às impressões registradas.

Click-through rate é calculado dividindo os cliques pelas impressões dentro de um período e contexto definidos. Em busca, ajuda a acompanhar quantas exibições de um resultado geraram visitas. Comparações precisam considerar consulta, dispositivo, posição e mudanças na apresentação dos resultados.

Aplicação: Calcule cliques divididos por impressões no mesmo recorte. Se o denominador for zero, informe que a taxa é indefinida. Mudança de composição de consultas exige investigação antes de atribuir a variação ao título.

grafo de conhecimento

Também chamado de: knowledge graph

Estrutura que representa entidades e relações entre elas.

Um grafo de conhecimento conecta pessoas, empresas, lugares, produtos e conceitos por relações explícitas. Por exemplo, pode relacionar um produto ao fabricante e a uma categoria. Sistemas usam esses dados para consulta e interpretação; a qualidade depende da identificação das entidades e da precisão das relações.

Aplicação: Escolha uma relação e confira as duas entidades e a fonte que a sustenta. Para resolver homônimos, execute a auditoria de identidade digital antes de publicar identificadores.

embedding

Representação numérica de conteúdo usada em tarefas de comparação e recuperação.

Um embedding representa texto ou outros dados como um vetor. Sistemas de busca podem comparar esses vetores para localizar itens com características relacionadas. A proximidade depende do modelo e da tarefa; por isso, a recuperação precisa ser avaliada com perguntas e documentos do caso de uso.

Aplicação: Teste sinônimos e códigos quase iguais com documentos esperados. Registre modelo, versão e distância utilizada; mudar a representação pode exigir recalcular o índice e comparar novamente os resultados.

featured snippet

Trecho de uma página destacado pelo buscador para responder a uma consulta.

Um featured snippet apresenta uma informação extraída de uma página, com referência à origem. É diferente de uma resposta generativa que combina e redige informações. A seleção e o formato do trecho são definidos pelo buscador conforme a consulta.

Aplicação: Guarde a consulta, a URL de origem e o trecho exibido. Verifique se o conteúdo extraído conserva suas condições. Trate uma resposta generativa em outra coluna, pois o mecanismo e a evidência são diferentes.

alucinação

Resposta de IA com informação incorreta ou sem sustentação nas fontes disponíveis.

Uma alucinação pode aparecer como nome errado, fato inexistente, citação inventada ou interpretação que a fonte não sustenta. Na análise de marcas, a equipe compara a resposta com documentos e informações da empresa. Corrigir a fonte publicada e acompanhar novas consultas são etapas distintas.

Aplicação: Preserve resposta, fonte indicada e documento vigente para conferir o erro. A orientação de incidentes de marca ajuda a atribuir impacto, responsável e próxima verificação.

Sprint GEO

Formato de projeto de GEO com etapas e entregas delimitadas.

Na Brasil GEO, uma sprint organiza um conjunto de atividades de diagnóstico e implementação. O escopo pode envolver revisão de conteúdo, informações sobre a empresa e ajustes técnicos. Prazo, investimento e entregas precisam ser definidos na contratação.

Aplicação: Registre problema, entrega, responsável, dependência e aceite antes de estimar prazo. O modelo de planejamento por ciclos distingue conclusão do trabalho e resultado externo observado.

A2A

Também chamado de: Agent-to-Agent Protocol

Protocolo de comunicação e colaboração entre agentes.

Agent2Agent, ou A2A, organiza a descoberta de capacidades e a troca de tarefas e resultados entre agentes. Ele permite que sistemas com implementações diferentes estabeleçam uma interação definida. As permissões, os dados compartilhados e as condições de execução dependem da aplicação. A2A trata da colaboração entre agentes; MCP conecta aplicações de IA a ferramentas e recursos. Os protocolos podem ser usados juntos.

Aplicação: Teste identificação da tarefa, autenticação, resultado, falha e cancelamento na versão adotada. Uma chamada repetida precisa de comportamento definido pela implementação; não presuma execução exatamente uma vez.

ACP

Também chamado de: Agent Communication Protocol; Agentic Commerce Protocol

Sigla usada por protocolos diferentes; o nome completo determina o escopo.

Agent Communication Protocol descreve comunicação entre agentes e seu projeto foi incorporado ao A2A sob a Linux Foundation. Agentic Commerce Protocol é outro protocolo, voltado a fluxos comerciais entre compradores, agentes e empresas. Compartilhar a sigla ACP não torna os protocolos intercambiáveis.

Aplicação: Escreva o nome completo, a URL da especificação e a versão no projeto. No contexto comercial, leia Agentic Commerce Protocol; para comunicação entre agentes, confira a migração documentada para A2A.

AEO

Também chamado de: Answer Engine Optimization

Otimização de conteúdo para mecanismos que apresentam respostas diretas.

Answer Engine Optimization reúne práticas de organização de informações para respostas em buscadores e assistentes. Os usos de AEO e GEO se sobrepõem em parte do mercado. Ao definir um projeto, o escopo deve indicar quais sistemas serão analisados e quais resultados serão acompanhados.

Aplicação: Descreva quais experiências de resposta entram no projeto e qual evidência confirmará a entrega. O rótulo escolhido precisa orientar o escopo; use a mesma regra de coleta para comparar períodos.

agentic commerce

Também chamado de: comércio agêntico

Uso de agentes de IA em etapas de descoberta, comparação e compra.

O comércio agêntico envolve agentes que consultam produtos, avaliam condições ou realizam ações comerciais dentro de permissões definidas. Uma compra exige informações de oferta, disponibilidade, preço e pagamento, além da autorização para agir. Cada integração determina quais etapas o agente pode executar.

Aplicação: Simule uma oferta fictícia em ambiente autorizado e teste mudança de preço, indisponibilidade, confirmação e cancelamento. O conceito de comércio com agentes separa catálogo, integração e autorização.

assistente conversacional

Também chamado de: conversational assistant, chatbot LLM

Aplicação de interação por conversa que utiliza modelos e outros recursos.

Um assistente conversacional combina uma interface de conversa com modelos, instruções e recursos de produto. Pode incluir busca, arquivos, memória e acesso a ferramentas. É útil distinguir o assistente do modelo que ele usa, porque as funcionalidades disponíveis dependem dessa aplicação.

Aplicação: Anote quais recursos estavam disponíveis na tarefa: busca, arquivos ou ferramentas. Compare respostas sob condições registradas, sem tratar a interface de consumo e a API como experiências equivalentes.

chunk

Também chamado de: trecho, pedaço indexado

Trecho de conteúdo preparado para armazenamento ou recuperação.

Em sistemas de recuperação, documentos podem ser divididos em trechos chamados chunks. A divisão procura manter informações relacionadas juntas e fornecer contexto suficiente para a consulta. O tamanho e as fronteiras dos trechos dependem dos documentos, do modelo e da avaliação do sistema.

Aplicação: Confira se a divisão mantém título, condições, unidades e exceções necessários à resposta. Teste perguntas que dependem de uma nota ou tabela; escolha o tamanho a partir da recuperação observada.

context window

Também chamado de: janela de contexto

Limite de informação que um modelo pode considerar ao gerar uma resposta.

A janela de contexto inclui instruções, histórico, materiais enviados e a saída produzida, conforme as regras do modelo. Sua capacidade é medida em tokens e varia por sistema. Selecionar informações relevantes continua necessário mesmo quando há espaço disponível para documentos longos.

Aplicação: Compare enviar o documento completo e selecionar trechos para as mesmas tarefas. Registre qualidade, latência e consumo. O curso de LLM FinOps ajuda a definir o teto do piloto.

discoverability

Também chamado de: descobribilidade por IA

Possibilidade de um conteúdo ser encontrado por um sistema de consulta.

No contexto de GEO, discoverability se refere ao acesso a páginas, documentos ou dados que possam entrar no conjunto de fontes consideradas. Links, rastreamento e mecanismos de recuperação participam desse processo conforme o sistema. Ser encontrado e ser citado são etapas diferentes.

Aplicação: Teste o percurso do link até o conteúdo principal e registre eventuais bloqueios. Uma URL acessível passa no teste de acesso; inclusão em uma resposta exige outra evidência.

distillation

Também chamado de: destilação, knowledge distillation

Treinamento de um modelo com sinais produzidos por outro modelo.

Na destilação, um modelo professor fornece respostas ou representações que orientam o treinamento de um modelo aluno. O processo busca transferir comportamentos para outra arquitetura ou capacidade. Os resultados precisam ser avaliados nas tarefas de interesse, incluindo custo e qualidade das saídas.

Aplicação: Use casos de avaliação separados dos exemplos de treinamento e confira o direito de uso dos dados e saídas. Aceite a nova configuração apenas se preservar a qualidade exigida dentro do custo aprovado.

fine-tuning

Também chamado de: ajuste fino, FT

Ajuste adicional de um modelo usando dados selecionados para uma tarefa.

Fine-tuning modifica um modelo já treinado com exemplos de um domínio, formato ou comportamento. Sua aplicação exige dados adequados e uma avaliação separada dos exemplos de treinamento. Quando a necessidade é consultar documentos que mudam, a recuperação de informações também deve ser considerada.

Aplicação: Identifique o defeito a resolver e compare instruções, recuperação e treinamento conforme o caso. Preserve uma avaliação separada; o guia de ajuste fino e RAG organiza essa decisão.

function calling

Também chamado de: chamada de função, structured tool use

Produção de uma solicitação estruturada para uso de uma função externa.

Em function calling, a aplicação descreve funções disponíveis e o modelo pode propor uma chamada com argumentos. O código da aplicação valida a solicitação, executa a função autorizada e devolve o resultado ao modelo. Essa separação permite controlar permissões e verificar entradas antes da execução.

Aplicação: Teste campos ausentes, tipos inválidos e operações fora da permissão. O aceite inclui a recusa correta e o registro da execução, além da resposta bem-sucedida.

grounding

Também chamado de: ancoragem, ancoragem factual

Vinculação de uma resposta a informações fornecidas ou recuperadas de fontes.

Grounding fornece referências para a geração, como documentos, resultados de busca ou registros de banco de dados. O sistema pode apresentar citações que ajudam a localizar a origem da informação. A relação entre afirmação e fonte precisa ser avaliada, porque uma referência pode ser interpretada incorretamente.

Aplicação: Para cada afirmação importante, abra a fonte e confira o trecho que a sustenta. Um link real pode estar associado a uma conclusão incorreta; mantenha essa verificação na avaliação.

hybrid search

Também chamado de: busca híbrida

Combinação de busca lexical e busca por representações vetoriais.

A busca híbrida reúne resultados obtidos por termos e por similaridade vetorial. Técnicas como Reciprocal Rank Fusion combinam listas ordenadas. A reordenação semântica pode ocorrer depois dessa fusão, como na arquitetura descrita pelo Azure AI Search (2026).

Aplicação: Compare busca lexical, vetorial e combinação nas mesmas perguntas. Use códigos exatos e dúvidas semânticas; o exemplo de fusão por RRF permite conferir a conta antes de avaliar a qualidade.

instruction tuning

Também chamado de: ajuste por instruções, SFT supervised fine-tuning

Ajuste de um modelo com exemplos de instruções e respostas.

Instruction tuning usa pares de tarefa e resposta para desenvolver o comportamento de seguir instruções. Os exemplos podem abranger diferentes formatos e tipos de solicitação. A avaliação examina como o modelo responde a instruções novas, além das usadas no treinamento.

Aplicação: Separe treino e avaliação e inclua instruções novas no teste. Registre o comportamento esperado e os erros aceitáveis; uma melhora no formato não comprova melhora factual.

knowledge cutoff

Também chamado de: data-limite, cutoff date

Data de referência informada para o conhecimento de treinamento de um modelo.

A data de corte ajuda a interpretar o que pode estar incluído nos dados de treinamento. Ela não comprova que o modelo conheça cada fato anterior a essa data. Informações mais recentes podem ser fornecidas no contexto ou recuperadas por ferramentas, conforme os recursos da aplicação.

Aplicação: Confira a data informada pelo fornecedor e as fontes efetivamente fornecidas à tarefa. Para fatos recentes, procure documentação atual; a resposta confiante não demonstra que o treinamento contém a informação.

MCP

Também chamado de: Model Context Protocol

Protocolo para conectar aplicações de IA a ferramentas e fontes de dados.

Model Context Protocol padroniza a comunicação entre uma aplicação cliente e servidores que expõem recursos, prompts e ferramentas. O protocolo organiza essa integração; acesso e autorização precisam ser definidos pela aplicação. Publicar um servidor não garante que assistentes externos o utilizem.

Aplicação: Teste uma consulta permitida e outra negada no servidor. Registre argumentos, autorização e resultado. O curso de MCP avançado aprofunda o contrato e a validação das ferramentas.

multimodal

Também chamado de: multimodalidade, multi-modal

Capacidade de processar ou produzir mais de uma modalidade de informação.

Um sistema multimodal pode trabalhar com combinações de texto, imagem, áudio ou vídeo. As modalidades aceitas na entrada e produzidas na saída variam por modelo e produto. A integração deve considerar os formatos disponíveis e avaliar a interpretação do material enviado.

Aplicação: Compare a extração com o documento original, incluindo unidades e notas em tabelas. Se houver erro em detalhes pequenos, ajuste a entrada e repita o teste antes de ampliar armazenamento ou processamento.

prompt engineering

Também chamado de: engenharia de prompt

Organização de instruções, exemplos e contexto para uma tarefa de IA.

Engenharia de prompt envolve definir a tarefa, fornecer o contexto necessário e especificar o formato esperado. Exemplos podem demonstrar o comportamento desejado. Em uso recorrente, versões de prompts devem ser comparadas com casos de avaliação para verificar qualidade e consistência.

Aplicação: Versione a instrução e compare os mesmos casos antes e depois. O curso de prompt engineering avançado apoia a definição de contexto, formato e critérios de revisão.

prompt injection

Também chamado de: injeção de instruções

Tentativa de fazer um sistema seguir instruções presentes em conteúdo não confiável.

A injeção de prompt pode ocorrer em páginas, arquivos ou mensagens que um assistente consulta durante uma tarefa. O conteúdo tenta alterar o comportamento previsto ou induzir acesso indevido a dados e ferramentas. A defesa envolve limites de permissão, separação de conteúdo e instruções e validação das ações propostas.

Aplicação: Em ambiente de teste, inclua conteúdo externo que tenta mudar a tarefa. A aplicação deve manter permissões e impedir ações fora do escopo; registre o comportamento sem usar dados reais sensíveis.

rate limit

Também chamado de: limite de requisições, RPM, TPM

Limite de uso aplicado a requisições, tokens ou outras operações de um serviço.

Serviços de API podem limitar volume por período, conta ou recurso. A aplicação deve tratar respostas de limite excedido e respeitar as condições de nova tentativa. Filas e controle de concorrência ajudam a ajustar o envio ao limite efetivamente disponível. Em APIs HTTP, o limite pode ser comunicado pelo status 429, com o cabeçalho Retry-After indicando quando tentar novamente.

Aplicação: Registre o limite vigente e trate respostas de excesso com tentativas limitadas. Respeite Retry-After quando fornecido; se faltar, aplique a política documentada do serviço com teto de tempo e tentativas.

reasoning model

Também chamado de: modelo de raciocínio, modelo thinking

Modelo que dedica processamento a etapas de raciocínio antes da resposta final.

Modelos de raciocínio usam processamento adicional para desenvolver uma solução. O comportamento, o custo e a latência variam conforme a tarefa e a configuração. A escolha deve comparar respostas em casos representativos do trabalho, sem presumir vantagem em todas as solicitações.

Aplicação: Compare modelos nas tarefas reais com critério de acerto, latência e custo. Prefira a configuração que atende ao requisito observado; complexidade ou preço maiores não demonstram vantagem universal.

reranking

Também chamado de: reordenação, re-rank

Reordenação de resultados recuperados conforme sua relevância para uma pergunta.

Um sistema de reranking recebe candidatos de uma etapa de busca e atribui uma nova ordem. Pode usar um modelo que examina a pergunta junto com o conteúdo de cada candidato. A avaliação verifica se os documentos necessários aparecem nas posições utilizadas pela aplicação.

Aplicação: Congele os candidatos iniciais e confira se a reordenação promove a fonte necessária. Meça o custo e a latência adicionais; um documento ausente da primeira recuperação não será recuperado apenas por reordenar.

retrieval

Também chamado de: recuperação, busca de fontes

Recuperação de informações relacionadas a uma consulta.

Retrieval seleciona documentos ou registros a partir de uma pergunta e de critérios de busca. Pode combinar correspondência de termos, similaridade vetorial e consultas estruturadas. Em um sistema RAG, essa etapa fornece parte do contexto usado na geração da resposta. A avaliação pode usar documentos com relevância anotada e métricas como nDCG, que considera a posição dos resultados relevantes.

Aplicação: Liste documentos esperados por pergunta e examine os resultados retornados. Separe erro de recuperação de erro na resposta. O guia de avaliações organiza os casos e a revisão humana.

RLHF

Também chamado de: Reinforcement Learning from Human Feedback

Ajuste de um modelo usando sinais de preferência humana.

Reinforcement Learning from Human Feedback utiliza avaliações humanas para orientar o comportamento do modelo. Um processo comum reúne comparações entre respostas, aprende um sinal de recompensa e o usa no ajuste. Os critérios e a amostra de avaliação influenciam o resultado.

Aplicação: Ao avaliar respostas, mantenha critérios separados para estilo, utilidade e exatidão. Uma preferência humana por um texto fluido não comprova os fatos que ele apresenta.

system prompt

Também chamado de: prompt de sistema, instrução-mãe

Conjunto de instruções que define o comportamento esperado de uma aplicação de IA.

O prompt de sistema estabelece regras, limites, orientação de linguagem e condições de uso das ferramentas. Ele é fornecido pela aplicação conforme a interface do modelo. Informações recuperadas de fontes externas devem ser tratadas como conteúdo da tarefa, respeitando as instruções e permissões do sistema.

Aplicação: Versione as instruções e teste conflito com conteúdo externo, limites de escopo e condições de uso das ferramentas. O controle de acesso precisa existir na aplicação, além das instruções textuais.

tool use

Também chamado de: uso de ferramentas, tool calling

Uso de recursos externos por um modelo dentro de uma aplicação.

Ferramentas permitem consultar fontes, calcular, ler arquivos ou solicitar outras operações. O modelo propõe o uso de um recurso, e a aplicação controla a execução conforme suas permissões. O resultado pode voltar ao contexto para apoiar a resposta ou a etapa seguinte da tarefa.

Aplicação: Defina entrada, saída, permissão e tratamento de erro de cada ferramenta. O curso de agentes de IA ajuda a montar um fluxo com execução rastreável e revisão das ações relevantes.

vector database

Também chamado de: banco vetorial, vetorial DB

Sistema de armazenamento e consulta de vetores, como embeddings.

Um banco vetorial armazena representações numéricas e permite localizar itens por similaridade. Pode ser um produto especializado ou um recurso de outro banco de dados. A escolha depende do volume, dos filtros, da atualização dos dados e da qualidade de recuperação necessária.

Aplicação: Estime vetores, metadados, originais, réplicas e manutenção. Teste filtros, atualização e exclusão; a priorização de dívida de dados ajuda a decidir o que manter.

zero-shot

Também chamado de: zero-shot prompting, sem exemplos

Solicitação de uma tarefa sem exemplos de resposta no prompt.

Em zero-shot, o modelo recebe a descrição da tarefa e as instruções, mas não demonstrações do resultado esperado. Em few-shot, recebe exemplos que ajudam a especificar formato ou comportamento. A escolha entre essas abordagens pode ser avaliada com as mesmas tarefas e critérios.

Aplicação: Compare a instrução sem exemplos com uma versão que inclui demonstrações, usando os mesmos casos e critério. Registre custo e erros; aceite a configuração pelo resultado observado.