Contextual Retrieval

A recuperação contextual é uma técnica de pré-processamento que melhora a retrieval-augmented generation (RAG) ao adicionar uma explicação curta e específica do documento a cada trecho de dados antes de indexá-lo. Introduzida no guia de recuperação contextual da Anthropic de 2024, ela ajuda os sistemas de busca a entenderem onde pertence uma passagem que, de outra forma, seria ambígua, melhorando as evidências fornecidas a um modelo de linguagem de grande escala. (anthropic.com)

Link to this sectionComo Funciona a Recuperação Contextual#

O RAG padrão divide documentos em trechos e os converte em embeddings. No entanto, um trecho como "a receita aumentou 3%" pode omitir a empresa, o período de relatório e o tipo de documento. A recuperação contextual usa o documento completo para gerar um prefixo conciso, como "Esta passagem descreve os resultados financeiros da ACME no Q2 de 2025", antes de indexar o texto combinado.

Um fluxo de trabalho típico inclui:

1. Semantic Chunking: Divide documentos em passagens coerentes que se ajustam aos limites de recuperação e do modelo. O principal objetivo da fragmentação é tornar grandes fontes pesquisáveis sem exceder a context window do modelo.
2. Geração de Contexto: Usa um modelo para resumir a relação de cada trecho com sua fonte, seguindo um processo como o cookbook de embeddings contextuais do Claude.
3. Hybrid Search: Indexa trechos contextualizados com vetores densos e métodos lexicais, como o BM25 keyword ranking.
4. Reranking: Reordena os candidatos recuperados usando comparações mais profundas entre consulta e trecho antes de enviar a melhor evidência para o gerador.

A Anthropic relatou que embeddings contextuais combinados com o BM25 contextual reduziram sua taxa de falha de recuperação no top 20 em 49%, enquanto a adição de reranking produziu uma redução de 67% em seus testes. Os resultados variam de acordo com o conjunto de dados, portanto esses números devem ser tratados como benchmarks e não como garantias. (anthropic.com)

Link to this sectionRecuperação Contextual em Visão Computacional#

No multimodal RAG, o contexto do documento pode incluir objetos detectados, legendas de imagens, carimbos de data/hora, localizações de câmeras ou eventos de vídeo ao redor. O exemplo abaixo usa o Ultralytics YOLO26 para criar contexto pesquisável para uma imagem:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)

O texto gerado pode ser colocado antes de uma legenda de imagem ou registro de metadados antes da vetorização. Os desenvolvedores podem explorar YOLO prediction workflows relacionados e a visual similarity search.

Link to this sectionAplicações no Mundo Real#

• Enterprise and Legal Search: Assistentes de políticas preservam nomes de documentos, datas, departamentos e relações de cláusulas, reduzindo respostas enganosas de passagens isoladas.
• Visual Maintenance Systems: Máquinas detectadas, tipos de defeitos e localizações de instalações contextualizam imagens antes que o sistema recupere manuais de reparo ou registros de inspeção.
• Personalized Education: Agentes de aprendizado podem combinar o diálogo do aluno com registros de atividades para recuperar orientações relevantes para a tarefa atual do aprendiz.

Link to this sectionTécnicas Relacionadas e Melhores Práticas#

A recuperação contextual difere da context engineering, que gerencia todas as informações fornecidas a um modelo em tempo de execução. Ela também difere da pesquisa de late chunking, que vetoriza um documento completo antes de agrupar as representações de tokens em trechos. Uma avaliação comparativa de 2025 descobriu que a recuperação contextual é eficaz na preservação da coerência semântica, mas é mais exigente computacionalmente. (arxiv.org)

As melhores práticas atuais incluem testar vários tamanhos de trecho, reter metadados de origem, combinar recuperação densa e por palavras-chave, e medir revocação, precisão, fundamentação e completude da resposta com a orientação de avaliação de RAG da Microsoft. Pesquisas mais recentes, como a recuperação precisa SAGE, favorecem a segmentação semântica e a seleção dinâmica de trechos, enquanto um benchmark de recuperação de 2026 apoia a recuperação híbrida e o reranking neural para documentos complexos de texto e tabela. Equipes que constroem sistemas de conhecimento visual podem usar a Ultralytics Platform para anotar conjuntos de dados, treinar modelos de visão, implantar endpoints e monitorar os componentes que fornecem contexto visual estruturado.