rag
11 conteúdos publicados sobre este assunto.
Artigos· 6
IA & AgentesRAG sobre ServiceNow: o conector que apaga o user criteriaO conector nativo de ServiceNow do Amazon Bedrock Managed Knowledge Base chegou em 4 de setembro de 2026 e tira semanas de pipeline artesanal do caminho. Ele também instrui você a usar uma conta de serviço com knowledge_admin, que ignora o user criteria por knowledge base — e o conector não ingere ACL de documento. Este é o retro do piloto em que essas duas linhas de documentação se encontraram.Abrir IA & Agentes3LO no Bedrock Managed KB: 5 minutos de setup, 1 decisão irreversívelEm 4 de setembro de 2026 a AWS liberou o user-managed setup (3LO) para SharePoint, OneDrive e Confluence no Amazon Bedrock Managed Knowledge Base: você faz login com a sua própria conta e o data source sai em minutos. O que a documentação diz em letra miúda é que esse caminho não suporta controle de acesso por documento, e que a flag de ACL não muda depois do CreateDataSource. Este é o relato da migração que isso obriga — do protótipo em 3LO para um knowledge base de produção com ENTRA_ID_APP_ONLY, certificado e userContext.Abrir IA & AgentesBedrock Managed Knowledge Base: Anatomia de um Pipeline RAG GerenciadoO Amazon Bedrock Managed Knowledge Base abstrai toda a pilha RAG — conectores, parsing, embeddings, re-ranking e recuperação agêntica — em um único primitivo gerenciado. Neste artigo, desmonto cada camada, exponho os modos de falha que a documentação não menciona e analiso os trade-offs reais para quem projeta sistemas de IA de grau financeiro na AWS.Abrir IA & AgentesWeb Search no Bedrock AgentCore: Revisão Técnica AprofundadaO Web Search no Amazon Bedrock AgentCore entrega busca web gerenciada para agentes de IA, com zero egresso de dados fora do ambiente AWS e grounding via MCP. Avalio a capacidade com olhar crítico de arquiteto sênior: trade-offs reais, limites operacionais e quando faz sentido adotar.Abrir IA & AgentesInteligência de Contratos na AWS: Arquitetura de CampoConstruir inteligência contratual com IA generativa vai muito além de conectar um LLM a PDFs. Este artigo documenta os padrões arquiteturais, armadilhas operacionais e decisões de design que fazem a diferença entre um PoC impressionante e um sistema confiável em produção financeira.Abrir IA & AgentesRAG Agêntico com OpenSearch Serverless: Anatomia de um PadrãoO padrão RAG agêntico com OpenSearch Serverless promete escala elástica e recuperação semântica sem gestão de infraestrutura — mas esconde armadilhas sérias de latência, custo e consistência que sistemas financeiros não podem ignorar. Neste artigo, desmonto a anatomia do padrão, mapeio quando ele funciona, quando falha e como configurá-lo com rigor de produção.Abrir Architecture Studies· 5
Decisão (ADR)RAG Multi-Tenant Seguro: ADR para Autorização em Duas CamadasAutorização em RAG multi-tenant não é um detalhe de implementação — é uma decisão arquitetural com consequências diretas em compliance, vazamento de dados entre tenants e superfície de ataque de modelos de linguagem. Neste ADR, documento as forças que me levaram a adotar um padrão de defesa em profundidade com Amazon Verified Permissions e Bedrock Knowledge Bases, as alternativas que descartei e as consequências operacionais que precisam ser gerenciadas.Abrir Decisão (ADR)ADR: OpenSearch Serverless vs Banco Vetorial Dedicado para RAG AgênticoEste ADR avalia as opções de infraestrutura de busca vetorial para uma plataforma RAG agêntica multi-tenant na AWS, comparando OpenSearch Serverless, bancos vetoriais dedicados (Pinecone, pgvector) e busca híbrida própria. A decisão considera custo, latência p99, filtros por permissão, ingestão incremental e integração nativa com Bedrock Knowledge Bases.Abrir Design Doc / RFCDesign Doc: Plataforma RAG Enterprise com Avaliação Contínua e Guardrails no BedrockEste documento descreve a arquitetura de uma plataforma RAG enterprise construída sobre Amazon Bedrock, cobrindo recuperação semântica, avaliação contínua de qualidade, guardrails de segurança e controle de custo. O design prioriza rastreabilidade, operabilidade e contenção de risco em ambientes regulados, sem abrir mão de latência aceitável para usuários finais.Abrir PlaybookPlaybook: RAG em Produção — O Checklist de 15 Itens Antes de Ir pro ArColar documentos num vector store não é RAG em produção — é um protótipo esperando para falhar em público. Este playbook cobre os 15 itens concretos e testáveis que separam um pipeline RAG confiável de um que alucina, vaza PII e estoura orçamento sem que ninguém perceba. A verdade incômoda: ~80% das alucinações são falha de recuperação, não do modelo.Abrir PlaybookPlaybook: Vector Store na AWS — OpenSearch Serverless vs Aurora pgvector vs S3 VectorsEscolher o vector store errado é onde a conta de RAG explode — ou onde a latência entrega p99 inaceitável em produção. Este playbook mapeia os três caminhos principais na AWS (OpenSearch Serverless, Aurora pgvector, S3 Vectors) por três eixos reais: latência exigida, modelo de custo e carga operacional. Saia com uma decisão defensável, não com a escolha do tutorial.Abrir 