Vou auditar seu pipeline rag e descobrir por que a recuperação retorna respostas erradas

Seu app RAG responde com confiança e está errado. Você tentou um modelo maior e um prompt melhor, e não adiantou - porque o problema quase nunca é o modelo. É que a recuperação entregou ao modelo os três parágrafos errados, e nada na sua pipeline percebeu isso.

Eu descubro onde isso está acontecendo e te digo o que mudar.

Construí uma pipeline de correção RAG como uma máquina de estados LangGraph que avalia sua própria recuperação e se recusa a responder com um contexto fraco, e entrego serviços de LLM em backends de produção em um banco de investimentos dos EUA e em uma seguradora dos EUA.

O QUE VOCÊ RECEBE

Um relatório escrito indicando a falha real - estratégia de chunking, modelo de embedding, profundidade de recuperação, falta de reranking ou incompatibilidade na formulação da query - com as correções classificadas por esforço versus impacto. Não é uma lista de verificação. É um diagnóstico da sua pipeline. Além disso, uma chamada ao vivo para te orientar.

O QUE EU PRECISO DE VOCÊ

Acesso ao repositório ou ao código de recuperação, sua configuração de chunking e embedding, e 10-20 perguntas reais onde as respostas estão erradas.