- Os chatbots RAG combinam a recuperação e a geração de linguagem para obter respostas mais exactas e contextualizadas do que os bots tradicionais.
- RAG reduces errors and boosts reliability by accessing external data — rather than relying only on a language model’s internal knowledge.
- A criação de um bot RAG envolve a configuração de um projeto, a redação de instruções comportamentais claras e a ligação de fontes de conhecimento.
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).
RAG combines the strengths of knowledge retrieval and language generation, enabling chatbots to access external data and deliver precise, context-aware answers. The result? Fewer inaccuracies, less wasted resources, and more reliable responses.
We've deployed over 750,000 chatbots over the past few years — and we even have our own bespoke, advanced RAG process for them.
So in this guide, I’ll take you through the steps to build your own RAG-powered chatbot — from defining its behavior to deploying it seamlessly.
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.
Creating a RAG chatbot with Botpress is a straightforward process. Here’s a step-by-step guide to get you started.
For the sake of the tutorial, we will be creating a Book Trivia chatbot. Once built, the chatbot can be deployed across multiple channels using relevant integrations.
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.
.webp)
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:
- Aceda à secção "Base de dados de conhecimento" em Botpress.
- Carregue documentos ou adicione URLs de sítios Web como fontes.
- 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.
- Ir para "Detalhes do Bot"
- 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:
- Em Botpress Studio, clique em "Publish" (Publicar) para implementar o seu RAG Chatbot.
- 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".

Build a RAG Chatbot Today
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.
Start building smarter, context-aware chatbots today — for free.
FAQs
1. Qual é a diferença entre um chatbot RAG e um chatbot tradicional?
The difference between a RAG chatbot and a traditional chatbot is that a traditional chatbot relies on static responses or pre-trained models, while a RAG (retrieval-augmented generation) chatbot pulls relevant data from an external knowledge base and uses it to generate more accurate responses in real time.
2. Como é que um sistema RAG decide qual o conhecimento a recuperar e qual o conhecimento a gerar?
A RAG system uses a retriever to identify the most relevant documents or data chunks based on the user’s question, then passes that information to a language model which generates a response grounded in the retrieved content, rather than relying purely on prior training.
3. Posso utilizar o RAG sem carregar fontes de conhecimento externas?
You can technically use RAG without uploading external knowledge sources, but doing so nullifies its core advantage. RAG is designed to supplement the language model with domain-specific or real-time data, so omitting external knowledge defeats its purpose.
4. O RAG é adequado para aplicações multilingues?
Yes, RAG is suitable for multilingual applications as long as both the language model and the retrieved documents support the target languages; many modern LLMs and vector databases are capable of handling multilingual queries and content.
5. Como posso medir a exatidão e a relevância dos conhecimentos recuperados?
You can measure the accuracy and relevance of retrieved knowledge by logging which documents were retrieved, comparing the generated answer to ground truth or expert feedback, and tracking metrics like response correctness, user satisfaction, and click-through or follow-up rates.