Como criar um chatbot RAG em 2025

Os chatbots estão a remodelar a forma como as empresas interagem com os utilizadores, mas muitos ainda falham o alvo quando se trata de contexto e precisão. É aqui que entra em ação a Geração Aumentada por Recuperação (RAG).

O RAG combina os pontos fortes da recuperação de conhecimentos e da geração de linguagem, permitindo que os chatbots acedam a dados externos e forneçam respostas precisas e contextualizadas. O resultado? Menos imprecisões, menos recursos desperdiçados e respostas mais fiáveis.

Implementámos mais de 750.000 chatbots nos últimos anos - e até temos o nosso próprio processo RAG avançado e personalizado para eles.

Portanto, neste guia, vou guiá-lo pelas etapas para construir seu próprio chatbot com RAG - desde a definição de seu comportamento até a implantação perfeita. ‍

Aplicações do RAG Chatbots

Está a dar os primeiros passos para integrar chatbots com RAG no seu produto, projeto ou passatempo? Vamos explorar algumas aplicações mais amplas que podem ser melhoradas com um chatbot experiente e adaptado às suas necessidades.

‍

‍

Criar um chatbot RAG com o Botpress é um processo simples. Aqui está um guia passo a passo para o ajudar a começar.

Para efeitos do tutorial, vamos criar um chatbot de curiosidades sobre livros. Uma vez criado, o chatbot pode ser implantado em vários canais usando as integrações relevantes.

Passo 1: Configurar o seu projeto

Comece por criar um novo projeto em Botpress. Uma vez iniciada a sessão, selecione o modelo "Start from Scratch" para uma personalização e flexibilidade completas.

Passo 2: Escrever um conjunto de instruções claras

As instruções são cruciais para o comportamento do chatbot do RAG e podem ser adicionadas editando a secção "Instruções" no Studio. Especifique como o chatbot deve obter e apresentar informações.

Ao redigir um conjunto de instruções, deve ter em conta os seguintes pontos:

• Definir que o bot deve dar prioridade às fontes de conhecimento externas em relação aos dados do modelo interno.
• Delinear o tom e o estilo de resposta, o que é melhor feito através de exemplos de conversas e respostas.

Aqui está um exemplo de um conjunto de instruções que descreve o comportamento de um chatbot "FAQ de um site de vestuário":

Missão:
Ajudar os utilizadores a explorar a moda sustentável, a compreender os materiais ecológicos e a fazer escolhas informadas sobre vestuário de origem ética.

Traços de personalidade:
- Conhecedor: Fornece respostas exactas a partir da base de conhecimentos.
- Amigável: Caloroso e acessível.
- Inspirador: Encoraja escolhas sustentáveis.
- Transparente: Partilha apenas informações validadas.

Capacidades:
- Educar: Explicar os princípios da moda sustentável, os materiais ecológicos e as certificações utilizando a base de conhecimentos.
- Ajudar: Recomendar produtos e fornecer informações estritamente a partir dos dados aprovados.
- Inspirar: Destacar os benefícios da moda ética sem opiniões pessoais.
- Envolver-se: Responder a questões de forma clara e educada, redireccionando os utilizadores para o suporte se as respostas não estiverem disponíveis.

Tom:
- Positivo, profissional e sem jargões.
- Respeitoso e empático para garantir uma experiência de apoio.

Regras de comportamento:
- Utilizar apenas a base de conhecimentos fornecida (por exemplo, Wikipedia, documentos da Green Threads).
- Se uma resposta não estiver disponível, informar o utilizador e sugerir que consulte o apoio ao cliente da Green Threads.

Exemplo de política de resposta:
Consulta: "O que é o algodão orgânico?"
Resposta: "O algodão orgânico é cultivado sem pesticidas nocivos ou fertilizantes sintéticos, reduzindo o impacto ambiental."

Questão: "Podem informar-me sobre a vossa política de reembolso?"
Resposta: "Não tenho essa informação. Visite o nosso sítio Web ou contacte o serviço de apoio para obter assistência."

Passo 3: Adicionar fontes de conhecimento

Para tornar o seu chatbot RAG eficaz, ligue-o a conhecimentos externos relevantes, tais como documentos PDF, URLs de sítios Web ou APIs. Eis como o pode fazer:

1. Aceda à secção "Base de dados de conhecimento" em Botpress.
2. Carregue documentos ou adicione URLs de sítios Web como fontes.
3. Botpress indexa o conteúdo automaticamente, segmentando-o em partes de conhecimento mais pequenas e recuperáveis.

Etapa 4: personalizar a identidade do Chatbot

Personalize o nome e a personalidade do seu Chatbot para corresponder ao seu caso de uso. Esta etapa crucial garante que seu chatbot não se identifique erroneamente como ChatGPT ou Claude.

1. Ir para "Detalhes do Bot"
2. Clique em "Gerar" para criar uma identidade para o seu chatbot com base nas suas instruções e dados, ou escreva uma manualmente.

Etapa 5: Implantar seu Chatbot

O chatbot está agora pronto para ser pré-visualizado e partilhado. Eis como pode aceder e testá-lo:

1. Em Botpress Studio, clique em "Publish" (Publicar) para implementar o seu RAG Chatbot.
2. Copie a ligação e comece a conversar!

Etapa 6: personalizar a aparência do seu Chatbot

Pretende personalizar ainda mais o seu Webchat para o alinhar com a sua marca e voz? Basta clicar em "Personalizar Webchat" a partir de "Partilhar".

Crie um RAG Chatbot hoje mesmo

Os chatbots com tecnologia RAG estão a transformar a forma como as empresas fornecem respostas precisas e em tempo real, optimizam os fluxos de trabalho e melhoram as experiências dos utilizadores. Com as ferramentas fornecidas por Botpress, pode criar chatbots inteligentes com facilidade.

Com uploads de base de conhecimento com um clique e integrações perfeitas com plataformas como Slack, WhatsApp, Notion e muito mais, você pode implementar poderosos chatbots RAG em minutos usando o Botpress.

Comece hoje mesmo a criar chatbots mais inteligentes e sensíveis ao contexto - gratuitamente.

FAQs

1. Qual é a diferença entre um chatbot RAG e um chatbot tradicional?

A diferença entre um chatbot RAG e um chatbot tradicional é que um chatbot tradicional se baseia em respostas estáticas ou modelos pré-treinados, enquanto um chatbot RAG (retrieval-augmented generation) extrai dados relevantes de uma base de conhecimentos externa e utiliza-os para gerar respostas mais precisas em tempo real.

2. Como é que um sistema RAG decide qual o conhecimento a recuperar e qual o conhecimento a gerar?

Um sistema RAG utiliza um recuperador para identificar os documentos ou blocos de dados mais relevantes com base na pergunta do utilizador e, em seguida, transmite essa informação a um modelo linguístico que gera uma resposta baseada no conteúdo recuperado, em vez de se basear apenas numa formação prévia.

3. Posso utilizar o RAG sem carregar fontes de conhecimento externas?

Tecnicamente, é possível utilizar o RAG sem carregar fontes de conhecimento externas, mas isso anula a sua principal vantagem. O RAG foi concebido para complementar o modelo de linguagem com dados específicos do domínio ou em tempo real, pelo que a omissão de conhecimento externo anula o seu objetivo.

4. O RAG é adequado para aplicações multilingues?

Sim, o RAG é adequado para aplicações multilingues, desde que tanto o modelo linguístico como os documentos recuperados suportem as línguas de destino; muitos LLMs modernos e bases de dados vectoriais são capazes de tratar consultas e conteúdos multilingues.

5. Como posso medir a exatidão e a relevância dos conhecimentos recuperados?

Pode medir a exatidão e a relevância dos conhecimentos recuperados registando os documentos que foram recuperados, comparando a resposta gerada com a verdade fundamental ou com o feedback de especialistas e acompanhando métricas como a correção da resposta, a satisfação do utilizador e as taxas de cliques ou de acompanhamento.