RAG Conectado (Connected RAG)

Você já perguntou a um agente de IA sobre uma função no seu projeto e ele respondeu algo que parecia certo, mas que ignorava completamente como aquela função era usada no resto do sistema? Isso é o sintoma clássico do RAG fragmentado.

O que é RAG?

RAG (Retrieval-Augmented Generation) é a técnica de fornecer dados externos (como seus arquivos de código) para um LLM no momento da pergunta. Em vez de o modelo “adivinhar” baseado no que aprendeu no treino, ele consulta seus documentos e responde baseado neles.

Query ("Como authenticar?")
    ↓
Retrieval (Busca em codebase)
    ↓
Augmentation (Enriquece prompt)
    ↓
Generation (LLM responde com contexto)

Parece perfeito, certo? Mas para código, o RAG comum é perigoso.

O Problema: RAG Tradicional vs Código

Exemplo Real:

Busca: “Como faço login?”

RAG Tradicional retorna:

// Trecho 1: loginUser function
async function loginUser(email, password) {
  const user = await db.findUser(email);
  // ... código de validação
}

Mas não retorna:

• O middleware de autenticação que chama loginUser
• A interface User que define os tipos
• A configuração de JWT que usa as credenciais
• Os testes que mostram o comportamento esperado

Resultado: LLM responde incompleto ou incorreto.

A Solução: RAG Conectado (Context Engine)

No Vectora, o RAG não é apenas “buscar texto”. Ele funciona através de um Context Engine que entende a estrutura:

1. Busca Multimodal

Combina 3 estratégias:

Query: "Como validar JWT?"
    ↓
├─ Embeddings (Voyage 4) → "validateToken function"
├─ AST Analysis (Estrutural) → "imports de jwt, configuração"
└─ Grep (Keywords) → "JWT_SECRET, token validation"
    ↓
Combine results → Top-5 chunks estruturados

2. Multi-hop Reasoning

O motor não faz só uma busca:

1. Busca inicial: "validateToken" → encontra src/auth/jwt.ts
2. Análise: Vê que chama "decode(token)"
3. Salto 1: Busca "decode" → encontra lib crypto
4. Análise: Vê uso de JWT_SECRET
5. Salto 2: Busca "JWT_SECRET" → encontra config.ts
    ↓
Resultado: Token validado → Estrutura completa

3. Composição Estruturada

O contexto retornado não é lista de strings:

{
  "main_file": "src/auth/jwt.ts",
  "functions": ["validateToken", "refreshToken"],
  "dependencies": [
    { "file": "src/config.ts", "why": "Provides JWT_SECRET" },
    { "file": "src/models/User.ts", "why": "Defines User type" }
  ],
  "tests": ["spec/jwt.test.ts (8 tests)"],
  "usage_locations": [{ "file": "src/middleware/auth.ts", "line": 34 }]
}

Por que isso importa?

Quando o contexto é conectado:

Exemplo Comparativo

Cenário: Refatorar autenticação

RAG Tradicional:

• “Mude de JWT para OAuth2”
• LLM não vê que a mudança quebra 47 places
• Resultado: Sistema quebra em produção

RAG Conectado (Vectora):

• Busca “authenticação”
• Retorna: auth middleware (3 places), JWT validation (47 places), config (1 place)
• LLM vê contexto completo
• Resultado: Refactoring correto, sem quebras

Próximos Passos

• Context Engine — Como o engine busca
• Vector Search — Técnica de embeddings
• Reranker — Refinamento de resultados

RAG Conectado é o diferencial do Vectora para código.

External Linking

Parte do ecossistema Vectora · Open Source (MIT) · Contribuidores