Boas práticas de escrita para base de conhecimento (RAG-friendly)

A base de conhecimento de um agente de IA com RAG não é "decorada" pelo modelo: a cada pergunta, o sistema busca os trechos mais relevantes e o modelo os lê na hora para responder. Por isso, a forma como você escreve cada conteúdo muda diretamente a resposta. Se o trecho recuperado for ambíguo, incompleto ou mal redigido, a resposta sai imprecisa na mesma proporção. A maior parte das falhas que parecem um problema técnico do RAG é, na prática, um problema de redação: um conteúdo bem escrito resolve mais do que qualquer ajuste de configuração.

Este artigo orienta você a produzir conteúdos adequados para alimentar a base de conhecimento utilizada pelo agente de IA. O modelo adotado segue a arquitetura RAG (Retrieval-Augmented Generation), que combina geração de texto com busca em fontes estruturadas de informação.

Para que o agente de IA ofereça respostas assertivas e confiáveis, os conteúdos precisam estar estruturados em formato textual claro, autocontido e bem segmentado, com apoio visual quando necessário. Seguir as diretrizes deste guia impacta diretamente a qualidade das respostas que os seus clientes receberão.

Fundamentos do RAG: como o agente de IA vai funcionar

O que é RAG e como impacta seus conteúdos

RAG (Retrieval-Augmented Generation) é uma arquitetura de IA que combina dois componentes essenciais:

1. Componente de recuperação (Retrieval): quando um usuário faz uma pergunta, o sistema busca na base de conhecimento os trechos de texto mais relevantes para aquela consulta. A busca não é por palavras exatas (como um Ctrl+F), mas por similaridade semântica: o sistema entende o significado da pergunta e localiza trechos com sentido relacionado, mesmo que usem palavras diferentes.
2. Componente de geração (Generation): a IA utiliza os trechos recuperados para construir uma resposta coerente e contextualizada. Ela não "memoriza" os artigos: ela os lê no momento da resposta. Se o trecho recuperado for ambíguo, incompleto ou mal redigido, a resposta do agente será proporcionalmente imprecisa.

O conteúdo que você produz alimenta diretamente o componente de recuperação, sendo transformado em representações matemáticas chamadas de embeddings, que permitem busca semântica eficiente.

Processo de indexação e recuperação

Seu conteúdo passa pelas seguintes etapas antes de chegar ao usuário:

1. Segmentação: documentos são divididos em chunks (pedaços) menores. Cada chunk tem em torno de 800 caracteres, com um pequeno trecho sobreposto ao anterior para evitar perda de contexto na divisão. Pense assim: em vez de entregar um manual de 50 páginas inteiro para o agente a cada pergunta, o sistema divide o texto em pedaços, indexa cada um separadamente e, na hora da resposta, busca apenas os trechos mais pertinentes à pergunta feita.
2. Conversão em embeddings: cada chunk é transformado em um vetor matemático que representa seu significado.
3. Armazenamento: os vetores são indexados em uma vector store (banco de dados vetorial).
4. Recuperação: quando uma pergunta é feita, o sistema recupera os chunks com maior similaridade semântica à consulta.
5. Geração: a IA combina os chunks recuperados com suas capacidades linguísticas para gerar uma resposta.

Consequência prática: um chunk que começa com "Como mencionado anteriormente..." sem repetir a informação de contexto chegará ao modelo de geração sem esse contexto, porque o trecho anterior pode não ter sido recuperado junto. O resultado é uma resposta confusa ou incompleta para o usuário.

Por que ter uma boa base de conhecimento importa

• O modelo RAG busca e recupera informações textuais de uma base previamente estruturada. Textos mal estruturados ou informações presentes apenas em imagens podem ser ignorados ou interpretados incorretamente. Isso inclui PDFs gerados por scan: se o arquivo não tiver texto selecionável, o conteúdo não é extraído pelo sistema.
• Reduz alucinações: quando o agente de IA tem acesso a conteúdo bem estruturado, ele é menos propenso a inventar informações. A alucinação ocorre principalmente quando o modelo não encontra a informação na base e tenta "completar" a resposta com suposições.
• Aumenta a precisão: respostas mais alinhadas com as políticas e procedimentos oficiais do produto.
• Melhora a experiência do usuário: informações consistentes em todos os canais de atendimento.
• Reduz o volume de atendimento humano: artigos bem escritos aumentam a taxa de resolução automática, liberando a equipe para casos mais complexos.

Tipos de RAG mais relevantes para bases de conhecimento

Existem vários tipos de arquitetura RAG, mas para uma equipe montando uma base de conhecimento de suporte, dois cobrem praticamente todos os casos.

Naive RAG (RAG simples)

É o ponto de partida da maioria das implementações e o suficiente para a grande maioria das bases de conhecimento de suporte. O fluxo é direto: o usuário faz uma pergunta, o sistema busca os chunks mais semanticamente próximos e a IA gera a resposta com base neles.

Funciona muito bem quando a base está bem estruturada: artigos focados, chunks autocontidos, linguagem clara e termos consistentes. A maior parte das falhas que parecem ser um problema técnico do RAG é, na prática, um problema de qualidade do conteúdo. Um artigo bem escrito resolve mais do que qualquer otimização de arquitetura.

Hybrid RAG

Combina a busca semântica do Naive RAG com uma busca lexical tradicional (por palavras exatas). Isso resolve um ponto cego do RAG simples: termos muito específicos que não têm "significado" para comparar vetorialmente, como códigos de erro, SKUs de produto, nomes exatos de funcionalidades ou IDs de pedido.

Exemplo prático: se um usuário digita "erro ERR_4021", a busca semântica pode não encontrar o artigo certo porque não há conceito a comparar. A busca lexical encontra a string exata. O Hybrid RAG executa as duas buscas em paralelo e combina os resultados.

Vale considerar quando a base tiver muito conteúdo com identificadores exatos, jargões técnicos específicos ou nomes próprios de funcionalidades.

Regra prática: comece com Naive RAG e invista na qualidade dos artigos. Se o agente começar a falhar especificamente em perguntas com termos muito exatos, aí faz sentido avaliar o Hybrid RAG. O problema quase nunca é a arquitetura; é o conteúdo.

Na Wevichat: a base de conhecimento usa busca semântica (Naive RAG), sem um modo Hybrid para ativar. Na prática, isso só reforça a regra acima: escreva os termos exatos (códigos de erro, SKUs, números de pedido, nomes de planos) literalmente no texto, para que sejam encontrados mesmo sem busca por palavra exata.

Estrutura recomendada de conteúdo

Sempre que possível, os artigos devem seguir o formato abaixo:

1. Título claro e objetivo
2. Introdução breve (o que é, para quem é, quando se aplica)
3. Instruções, regras ou procedimentos (em texto)
4. Observações adicionais e exceções (se houver)
5. Perguntas frequentes relacionadas ao tema (recomendado para artigos importantes)
6. Próximos passos ou canais de contato
7. Data de última atualização

Nota: muitas ferramentas de base de conhecimento registram automaticamente a data de atualização, mas é recomendável incluí-la também no corpo do artigo, especialmente em políticas e regras com histórico de mudanças.

Boas práticas de escrita

1. Escreva pensando na recuperação de informações

O sistema de recuperação do RAG não lê os artigos como um humano: ele compara vetores matemáticos. Por isso, algumas estratégias aumentam significativamente as chances de o trecho certo ser recuperado:

• Use títulos descritivos que contenham as palavras-chave que os usuários provavelmente usariam em suas perguntas. Prefira títulos como "Como cancelar a minha assinatura" e "Por que meu pedido ainda não chegou?" em vez de simplesmente "Cancelamento" ou "Entrega". O título funciona como a principal âncora de recuperação do artigo.
• Inclua sinônimos e variações de termos importantes no corpo do texto. Se o recurso se chama "carteira de contatos" internamente mas os usuários perguntam "lista de clientes", "meus contatos" e "agenda", todos esses termos devem aparecer no texto. O sistema de busca semântica se beneficia dessa variedade.
• Comece com a informação mais importante e avance para detalhes específicos (estrutura de pirâmide invertida).
• Evite linguagem figurada, metáforas e analogias sem explicação direta. Prefira comunicação objetiva.
• Nunca assuma que o leitor (ou o sistema) leu outra parte do documento. Cada seção deve ser compreensível de forma independente.

2. Estruture claramente cada artigo

Elemento	O que incluir
Título	Direto, objetivo, com palavras-chave relevantes
Introdução	O que o artigo cobre, para quem se destina e quando se aplica
Corpo principal	Seções lógicas com subtítulos descritivos
Exceções e observações	Casos especiais, regras diferentes, situações atípicas
Próximos passos	O que o usuário deve fazer ou esperar após seguir as instruções
FAQ	Perguntas frequentes relacionadas ao tema, escritas como o usuário perguntaria
Contato	Canal indicado quando o artigo não resolve o problema

3. Use linguagem clara e consistente

• Priorize a clareza e a organização. Um artigo que parece bonito mas é difícil de seguir é um artigo ruim para o RAG e para o usuário.
• Evite ambiguidade, linguagem excessivamente técnica e informalidade exagerada.
• Use sempre termos padronizados e mantenha consistência entre todos os artigos.
• Defina um glossário de termos padrão para toda a equipe usar. Por exemplo, padronize o uso de "agente" (não "bot" nem "assistente"), "base de conhecimento" (não "documentos" nem "arquivos") e "assinatura" (não "plano" nem "contrato"), garantindo que os artigos falem a mesma língua que o produto. Faça o mesmo com os termos do seu negócio.
• Evite pronomes ambíguos como "ele", "isso" ou "aquele" sem referência clara ao antecedente.

4. Um artigo por assunto específico

• Cada dúvida ou processo deve estar em um artigo separado. Um artigo que trata de cancelamento, reembolso e transferência ao mesmo tempo dificulta tanto a navegação do usuário quanto a recuperação precisa pelo RAG.
• Segmente artigos muito longos em múltiplos artigos interrelacionados.
• Use links internos para conectar artigos relacionados (por exemplo: ao final do artigo sobre cancelamento de assinatura, inclua link para o artigo sobre reembolso).
• Adote o princípio de "uma pergunta, uma resposta": cada artigo deve responder completamente a uma questão específica.
• Critério prático: se o título do artigo precisar de mais de uma oração para descrever o conteúdo, provavelmente o artigo precisa ser dividido.

5. Use formatação adequada

Elemento	Quando usar
Títulos H1/H2/H3	Para hierarquia de seções e subseções
Parágrafos curtos	Máximo de 3 a 4 linhas por parágrafo
Listas numeradas	Para sequências de passos e procedimentos com ordem obrigatória
Listas com marcadores	Para itens não sequenciais, opções ou características
Negrito	Para termos importantes, ações principais e avisos críticos
Tabelas	Para comparar opções, mostrar condições ou estruturar dados
Espaçamento	Para separar seções visualmente e facilitar a leitura

Atenção: formatação excessiva prejudica a indexação. Use negrito e listas com critério, não para tornar o texto visualmente movimentado, mas para destacar o que realmente importa.

6. Use listas e passos numerados

• Sempre que possível, escreva tutoriais e instruções em formato passo a passo.
• Comece cada passo com um verbo de ação: "Clique", "Selecione", "Digite", "Acesse", "Confirme".
• Mantenha cada passo focado em uma única ação.
• Inclua o resultado esperado após ações importantes: "Uma janela de confirmação será exibida" ou "Você receberá um e-mail em até 10 minutos".
• Evite blocos de texto corrido para instruções procedurais.

7. Utilize imagens como recurso complementar

• Imagens são bem-vindas quando ajudam o usuário a identificar botões, campos ou interfaces.
• Nunca substitua texto por imagem. A informação principal deve estar descrita em texto, pois o sistema de RAG não lê imagens.
• Adicione texto alternativo (alt text) descritivo para todas as imagens: em vez de "imagem1.png", use "Tela de configurações do aplicativo com o botão Cancelar assinatura destacado".
• Use setas, círculos ou destaques para indicar elementos importantes nas capturas de tela.
• Mantenha as imagens atualizadas sempre que a interface mudar. Uma captura de tela desatualizada é mais prejudicial do que nenhuma imagem.

8. Inclua exemplos concretos

• Forneça exemplos de situações reais e comuns que os usuários enfrentam.
• Use casos de uso típicos para ilustrar processos. Em vez de dizer apenas "o pedido pode ser rastreado", explique "assim que o pedido é enviado, você recebe um link de rastreamento por WhatsApp e pode acompanhar a entrega em tempo real", tornando a regra imediatamente compreensível.
• Apresente diferentes cenários quando existirem variações nas regras. Uma tabela comparativa é especialmente útil nesses casos.

9. Atualize com frequência e mantenha controle de versões

• Sempre que regras mudarem, atualize o conteúdo e registre a data no corpo do artigo.
• Mantenha internamente um histórico de versões com o resumo das alterações realizadas.
• Comunique mudanças significativas à equipe responsável pela base de conhecimento.
• Estabeleça um calendário regular de revisão de conteúdo (revisão trimestral é o mínimo recomendado).
• Identifique claramente conteúdos temporários ou promocionais com datas de início e término de validade.
• Artigos desatualizados são mais prejudiciais do que artigos inexistentes, pois a IA pode recuperar e usar informações incorretas com aparência de autoridade.

10. Evite jargões e termos internos

• Escreva como se o leitor nunca tivesse usado o produto.
• Defina termos técnicos ou específicos na primeira menção dentro de cada artigo.
• Substitua acrônimos internos por termos completos ou explique-os logo após a primeira ocorrência. Exemplo: "SLA (prazo máximo de resposta acordado) é o tempo que o seu time se compromete a levar para responder um chamado".
• Teste a compreensibilidade com pessoas de fora do departamento antes de publicar artigos sobre temas complexos.

11. Adicione metadados e tags

Ferramentas de helpdesk e base de conhecimento permitem categorizar artigos com metadados que auxiliam tanto na navegação humana quanto na organização da base de conhecimento. Inclua:

• Público-alvo: clientes novos, assinantes, clientes corporativos, etc.
• Produtos ou funcionalidades relacionados: assinatura, atendimento, entrega, etc.
• Processos ou departamentos envolvidos: cobrança, suporte técnico, logística, etc.
• Nível de prioridade ou frequência: artigos sobre dúvidas muito frequentes devem ser mantidos com maior rigor de atualização.

Especificidades para RAG

Chunking eficiente

O conteúdo que você produz será dividido em chunks para indexação. Para otimizar este processo:

• Mantenha unidades completas de informação juntas. Um parágrafo ou seção deve conter todo o contexto necessário para ser compreendido de forma isolada. Pense: "se apenas este trecho fosse recuperado, o leitor entenderia a informação completamente?"
• Use cabeçalhos descritivos. Eles funcionam como âncora de contexto quando o texto é dividido e ajudam o modelo a entender sobre o que aquele bloco fala.
• Evite referências vagas a outras partes do documento, como "como mencionado acima", "conforme descrito anteriormente" ou "veja a seção anterior". Repita a informação necessária no próprio trecho.
• Limite cada artigo a um tópico específico. Artigos temáticos bem delimitados produzem chunks mais precisos e aumentam a qualidade da recuperação.
• Artigos muito longos devem ser divididos. Quando um documento ultrapassa 1.500 palavras, considere dividi-lo em artigos menores e interligados por links. Por exemplo, separe "Como cancelar a minha assinatura", "Como solicitar reembolso" e "O que acontece com meus dados após o cancelamento" em artigos distintos, cada um autocontido.

Limitações técnicas que impactam o chunking:

• O sistema não lê tabelas com células mescladas com eficiência. A extração pode ficar confusa. Prefira tabelas simples ou converta o conteúdo para texto corrido.
• Imagens não são indexadas. Se o PDF contém imagens com texto (scans), esse conteúdo não é extraído. Use sempre PDFs com texto selecionável.
• Documentos muito longos podem ter cobertura inconsistente: se uma informação crítica estiver em um trecho raro do documento, ela pode não ser recuperada. Considere criar um arquivo separado com as informações mais importantes.
• Informações contraditórias entre dois documentos diferentes podem fazer o agente usar qualquer uma das versões. Remova ou arquive versões antigas antes de publicar uma atualização.

Redundância estratégica

Repetir o que é crítico é uma boa prática em conteúdo para RAG:

• Repita informações críticas em diferentes partes do documento, em formatos diferentes (texto narrativo, lista, tabela, FAQ).
• Use introduções que resumam os principais pontos de cada seção.
• Inclua conclusões que reforcem as informações mais importantes.
• Esta redundância aumenta as chances de a informação ser recuperada corretamente, independentemente de qual chunk for selecionado.

Exemplo: se a regra "o reembolso só é válido nos primeiros 7 dias após a compra" é importante, ela deve aparecer na introdução do artigo, no passo a passo (como observação), nas observações adicionais e no FAQ.

Perguntas frequentes incorporadas

Adicionar uma seção de FAQ ao final de artigos importantes é uma das técnicas mais eficazes para melhorar a qualidade do RAG, pois alinha o conteúdo com a forma como os usuários realmente fazem suas perguntas.

• Formule as perguntas como um usuário as faria: "Vou perder meu histórico de pedidos se cancelar a assinatura?" em vez de "Impacto do cancelamento sobre o histórico do usuário".
• Inclua variações de uma mesma pergunta quando há formas muito diferentes de perguntar a mesma coisa.
• Responda cada pergunta de forma completa e autocontida na própria seção de FAQ.

Como testar a base de conhecimento

Após adicionar ou atualizar documentos, faça perguntas que só poderiam ser respondidas com aquele material específico:

• "Como faço para cancelar minha assinatura pelo celular?"
• "O que acontece com meus dados se eu encerrar a conta?"
• "Posso pedir reembolso depois de renovar o plano?"

Se o agente responder corretamente, a base está funcionando bem. Se responder com informações genéricas ou incorretas, revise o documento: provavelmente a informação está mal formatada, em um chunk confuso ou ausente do texto. Se o agente não encontrar informações que você sabe que existem, o problema pode estar na estrutura do documento ou na ausência de sinônimos e variações do termo pesquisado.

Organização da base de conhecimento

Os conteúdos devem ser organizados por categorias e temas recorrentes. Um PDF de 200 páginas com tudo misturado é menos eficiente do que 10 documentos de 20 páginas cada, organizados por tema. A busca vetorial funciona melhor com chunks bem delimitados e contextualizados.

Prefira documentos focados a documentos longos. Remova versões antigas antes de publicar atualizações: informações contraditórias entre arquivos podem fazer o agente usar a versão errada.

Categorias principais

Adapte as categorias abaixo ao seu produto. O exemplo usa um negócio de assinatura com loja online como referência, mas a lógica de organização se aplica a qualquer base de conhecimento.

Conta e Assinatura

• Criar e configurar conta
• Gerenciar assinatura (upgrade, downgrade, cancelamento)
• Reembolsos e cobranças
• Recuperação de acesso

Funcionalidades do Produto

• Como funciona cada recurso principal
• Limites e regras de uso
• Planos disponíveis e como escolher

Pedidos e Entrega

• Acompanhamento e rastreamento de pedidos
• Prazos e regiões de entrega
• Trocas e devoluções

Suporte Técnico

• Problemas de login e acesso
• Erros no aplicativo
• Sincronização entre dispositivos

Políticas e Termos

• Termos de uso
• Política de privacidade
• Política de reembolso

Processo de criação e manutenção

Fluxo de trabalho recomendado

1. Identificação de necessidades

• Análise das perguntas mais frequentes registradas no atendimento
• Feedback de usuários sobre lacunas de informação
• Mudanças em políticas, produtos ou processos internos
• Análise de consultas não respondidas pelo agente de IA

2. Produção de conteúdo

• Redação do artigo seguindo as diretrizes deste guia
• Revisão por especialista no assunto (área operacional ou de produto)
• Validação com a equipe jurídica quando o conteúdo envolver compromissos contratuais ou políticas de reembolso

3. Publicação e indexação

• Upload dos documentos finais na ferramenta de base de conhecimento utilizada pela equipe
• Categorização correta e adição de tags e metadados
• Confirmação de que o material foi indexado e está disponível para o agente. Em algumas ferramentas a indexação é automática no upload; em outras, é preciso disparar a reindexação

4. Manutenção

• Revisão trimestral de todos os artigos críticos
• Atualização imediata em caso de mudança de políticas ou procedimentos
• Arquivamento (não exclusão) de conteúdos obsoletos, com sinalização clara de que estão desativados

Medição de eficácia

Métrica	Descrição
Taxa de resolução automática	Percentual de consultas resolvidas pelo agente de IA sem intervenção humana
Avaliação pós-atendimento	Nota de satisfação do usuário após interação com o agente de IA
Consultas não respondidas	Perguntas para as quais o agente de IA não encontrou resposta adequada, sinalizando lacunas na base
Tempo de resolução	Comparação entre o tempo médio de atendimento via IA e via atendimento humano
Taxa de escalonamento	Percentual de conversas que precisaram ser transferidas para um atendente humano

Como usar as métricas: consultas não respondidas ou mal respondidas devem ser analisadas semanalmente e transformadas em novos artigos ou melhorias nos artigos existentes. Esse ciclo contínuo é o principal motor de melhoria do agente de IA ao longo do tempo.

Ferramentas recomendadas

Para criação e colaboração:

• Google Docs ou Notion para rascunhos e revisão colaborativa
• Ferramentas de IA generativa (como Claude ou ChatGPT) podem auxiliar na redação inicial, mas o conteúdo final deve sempre ser revisado e validado por um especialista humano

Para integração com RAG:

• O agente de IA utiliza apenas a parte textual dos artigos para alimentar a base de conhecimento vetorial
• O conteúdo de imagens não é indexado automaticamente: certifique-se de que toda informação relevante esteja em texto
• PDFs com texto selecionável são processados corretamente. PDFs gerados por scan (imagem digitalizada) não têm o texto extraído e não devem ser usados como fonte principal de informação

Checklist de qualidade

Antes de publicar um novo artigo, verifique se ele:

• Possui título claro, descritivo e com palavras-chave relevantes
• Tem introdução que explica o propósito do artigo e para quem se destina
• Apresenta as informações em ordem lógica (do geral para o específico)
• Usa formatação adequada: listas, negrito, tabelas e espaçamento
• Explica todos os termos técnicos ou específicos na primeira ocorrência
• Contém informações completas e autocontidas em cada seção
• Não faz referências vagas a outras partes do documento ("como mencionado acima")
• Inclui observações sobre exceções e casos atípicos
• Tem seção de FAQ com perguntas formuladas como o usuário perguntaria
• Inclui próximos passos ou canal de contato para casos não resolvidos
• Inclui data de última atualização
• Está categorizado corretamente com tags e metadados adequados
• Foi revisado por um especialista no assunto
• Foi aprovado pela área jurídica quando necessário

Se você usa a Wevichat

Os documentos da base de conhecimento sobem na aba Inteligência do agente. Veja como treinar o agente com documentos e os formatos de arquivo suportados. Para calibrar formato e organização, vale consultar também boas práticas para treinar a base de conhecimento e como criar e gerenciar campanhas no WhatsApp, que mostra um bom uso de tabelas para dados estruturados.

Consultas não respondidas pelo agente podem ser acompanhadas no dashboard de analytics e em monitorar e melhorar o agente. Esse ciclo, transformar lacunas em novos artigos, é o principal motor de melhoria de um agente de IA ao longo do tempo.