Como organizar documentos para uma base de conhecimento com IA
Organizar documentos para uma base de conhecimento com IA exige escolher o material certo, identificar sua versão e preservar o contexto. Colocar todos os arquivos em uma pasta não resolve sozinho a recuperação de informações.
Neste exercício, vamos preparar uma pequena coleção de procedimentos internos. O resultado será um inventário útil para uma busca ou aplicação RAG, sem presumir que cada arquivo está pronto para responder perguntas.
1. Comece pelas perguntas esperadas
Liste o que os usuários precisam descobrir: quem aprova uma solicitação, quais campos são obrigatórios ou o que fazer quando um cadastro está incompleto. Depois identifique quais documentos realmente respondem a essas perguntas.
Um arquivo pode ser relevante para a organização e não servir ao primeiro escopo da base. Separar o conteúdo necessário reduz a chance de recuperar versões ou assuntos que não ajudam na tarefa.
2. Crie um inventário de fontes
Registre título, responsável, versão, situação e nível de acesso. Uma fonte aprovada e atual deve ser distinguida de um rascunho ou arquivo histórico.
| Campo | Exemplo fictício |
|---|---|
| Identificador | PROC-014 |
| Título | Solicitação de material |
| Versão | 3 |
| Situação | Aprovado |
| Responsável | Equipe de operações |
| Acesso | Pessoas autorizadas da equipe |
As boas práticas de dados do W3C tratam de metadados, proveniência e versões. Aqui aplicamos essas ideias para que um trecho recuperado possa ser entendido e reencontrado.
3. Corrija o texto antes de dividir
Verifique se títulos, listas e tabelas foram extraídos de forma legível. Um PDF visualmente correto pode gerar um texto com colunas misturadas ou palavras quebradas.
Faça uma inspeção de algumas páginas e compare com o original. Se a extração perder a relação entre um valor e sua condição, a busca poderá encontrar uma passagem que já nasceu ambígua.
Remova duplicatas ou identifique explicitamente qual é a versão vigente. Não apague um histórico necessário: mantenha-o separado e com uma indicação que impeça confundi-lo com a regra atual.
4. Divida sem destruir o contexto
Trechos menores podem facilitar a recuperação, mas precisam conservar a informação que torna a regra compreensível. Separar uma exceção de sua condição é um exemplo de divisão ruim.
A documentação sobre divisão de documentos da Microsoft apresenta estratégias de segmentação. Não existe um tamanho universal que dispense testar suas fontes e perguntas.
Revise esta proposta de trechos para uma base de conhecimento.
Identifique títulos ausentes, referências sem contexto e regras separadas de exceções.
Preserve o identificador e a versão da fonte em cada trecho.
Não acrescente regras que não existam no original.
Sugira ajustes e explique qual pergunta cada trecho ajudaria a responder.Use o resultado como apoio à revisão. A decisão sobre o conteúdo aprovado continua com quem responde pelo procedimento.
5. Preserve permissões na consulta
Uma base de conhecimento não deve tornar um documento restrito acessível a qualquer pessoa. Registre quem pode consultá-lo e como o sistema aplicará essa condição na recuperação.
Não confie apenas em uma instrução para o modelo “não revelar”. A aplicação precisa controlar quais trechos podem entrar no contexto de cada usuário.
6. Teste atualização e rastreabilidade
Escolha uma pergunta, recupere o trecho e confira se você consegue abrir a fonte correta. Depois simule uma nova versão e verifique como a base deixará de usar a anterior nas consultas atuais.
Esse teste simples revela se o projeto tem um caminho de manutenção, além da primeira carga de arquivos.
Para conectar essa organização ao fluxo de resposta, leia RAG na prática e o guia de busca por palavras ou semântica.
Perguntas frequentes
Quais dados registrar sobre cada documento?
Registre identificador, título, versão, situação, responsável e permissões de acesso, preservando uma referência para reencontrar a fonte.
Existe um tamanho ideal universal para os trechos?
Não. Teste a divisão com seus documentos e perguntas, preservando regras, condições e exceções que precisam ser interpretadas juntas.
Um prompt basta para proteger um documento restrito?
Não. A aplicação precisa controlar quais documentos e trechos cada usuário pode recuperar e receber como contexto.