Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
A Geração Aumentada por Recuperação (RAG) no Microsoft Copilot Studio combina a capacidade de raciocínio dos modelos de linguagem com conhecimento confiável e específico da empresa. Isso permite que agentes gerem respostas precisas, contextuais e fundamentadas com base no conteúdo da empresa, em vez de confiar exclusivamente na memória do modelo.
Neste artigo, você aprende a:
- Entenda como o RAG aumenta a confiabilidade e a capacidade de fundamentação da IA.
- Descreva como o Copilot Studio recupera e sintetiza conhecimento.
- Identificar as fontes de conhecimento suportadas e suas restrições.
- Reconhecer considerações de governança, conformidade e segurança em IA.
- Aplicar conceitos RAG ao projetar agentes em ambientes empresariais.
Introdução à RAG
RAG é um padrão de design que melhora a precisão da IA ao combinar duas capacidades:
- Recuperação de informação: busca em fontes de dados empresariais.
- Geração de texto: síntese das informações recuperadas usando um modelo de linguagem.
Essa abordagem reduz informações incorretas, aumenta a confiança e gera respostas baseadas em conteúdo organizacional real.
Arquitetura RAG no Copilot Studio
O pipeline de RAG do Copilot Studio é baseado nos serviços de IA do Azure e é totalmente integrado às diretrizes de confiança, conformidade e segurança da Microsoft.
Componentes principais:
- Runtime do Copilot Studio: gerencia o pipeline da conversa
- Mecanismo de otimização de consultas: reescreve e interpreta consultas
- Provedores de busca: Bing, SharePoint, Graph, Dataverse, Pesquisa de IA do Azure
- Mecanismo de resumo: cria respostas fundamentadas e citadas
- Camadas de moderação: valida mensagens e resumos
- Armazenamento de estado: memória de curto prazo (menos de 30 dias; não usada para treinamento)
- Repositórios de telemetria e feedback: fornece insights e supervisão
Como o RAG funciona no Copilot Studio
O RAG no Copilot Studio segue um processo de quatro etapas:
- Reescrita de consultas
- Recuperação de conteúdo
- Sumarização e geração de respostas
- Validação de segurança e governança
1. Reescrita de consultas
O Copilot Studio otimiza a consulta do usuário antes de pesquisar:
- Esclarece o significado
- Adiciona sinais contextuais (últimos 10 turnos)
- Melhora a correspondência de palavras-chave
- Gera consultas amigáveis para busca
Esse processo aumenta a qualidade da recuperação e reduz resultados irrelevantes.
2. Recuperação de conteúdo
Após reescrever a consulta, o sistema a executa em todas as fontes de conhecimento que você configurou. O Copilot Studio obtém os três principais resultados de cada fonte, equilibrando relevância e desempenho. O comportamento de cada fonte de conhecimento varia dependendo de fatores como autenticação, indexação, formatos de arquivo e restrições de armazenamento.
A tabela a seguir resume todas as fontes de conhecimento com suporte e suas capacidades, restrições e requisitos de autenticação:
| Fonte de conhecimento | descrição | Autenticação | Capacidades-chave, limites e restrições |
|---|---|---|---|
| Dados públicos (sites) | Sites indexados pelo Bing | Nenhum |
|
| SharePoint/OneDrive | Conteúdo corporativo interno (somente interno) | Autenticação delegada do Microsoft Entra ID |
|
| Arquivos carregados | Arquivos carregados para o armazenamento do Dataverse | Nenhum |
|
| Tabelas do Dataverse | Registros estruturados de negócios (apenas para uso interno) | Autenticação delegada do Microsoft Entra ID |
|
| Conectores do Graph | Aplicativos empresariais indexados no Microsoft Graph (somente para uso interno) | Autenticação delegada do Microsoft Entra ID |
|
| Conectores em tempo real | Dados em tempo real provenientes de sistemas como Salesforce, Zendesk, SQL (apenas para uso interno) | O usuário deve estar conectado |
|
| Pesquisa de IA do Azure | Pesquisa semântica baseada em vetores | Pontos de extremidade configurados |
|
| Dados personalizados | Dados fornecidos por APIs, fluxos ou lógica personalizada | Nenhum |
|
3. Resumo e geração de respostas
- A IA sintetiza o conteúdo recuperado
- Aplica instruções personalizadas para tom, formatação, segurança ou brevidade
- Gera citações dos dados subjacentes
- Personaliza as respostas usando o contexto do usuário (como idioma, departamento ou região)
4. Validação de segurança e governança
Cada resposta passa por camadas automatizadas de validação:
- Moderação de respostas prejudiciais, maliciosas, não conformes ou protegidas por direitos autorais
- Validação de fundamentação e remoção de informações incorretas
Nenhum dado de cliente é usado para treinar modelos de linguagem.
Considerações principais ao usar RAG
O RAG funciona melhor para perguntas e respostas factuais, não para análise profunda de documentos.
RAG é ideal para:
- Responder perguntas de bases de dados de conhecimento
- Resumir políticas, perguntas frequentes e conteúdo de procedimentos
- Recuperação de fatos específicos de arquivos ou sistemas internos
RAG não se destina a:
- Comparação de documentos completos
- Avaliação de conformidade de políticas
- Raciocínio complexo sobre documentos longos e não estruturados
Considerações sobre segurança e conformidade da IA generativa
Os recursos de IA generativa no Microsoft Copilot Studio são projetados para oferecer capacidades avançadas de conversa e raciocínio, mantendo fortes controles de segurança, privacidade e conformidade.
Modelos de base e hosting
- O Copilot Studio depende de modelos base treinados pela OpenAI.
- O Copilot Studio utiliza um dos modelos mais recentes da OpenAI para respostas generativas.
- Os modelos rodam inteiramente em serviços internos do Fábrica de IA do Azure, alinhados com a fronteira do Microsoft Services Trust.
- Todo o uso dos modelos está em conformidade com princípios e políticas de IA Responsável da Microsoft.
Instruções personalizadas
Os criadores podem fornecer instruções personalizadas para definir o comportamento do modelo, ajustar o tom ou adicionar regras de formatação. Essas instruções ajudam a adaptar as respostas generativas às necessidades da organização, ao mesmo tempo em que respeitam os filtros de segurança e os controles de conformidade.
Processamento e armazenamentos de dados
- O armazenamento e processamento de dados no Copilot Studio pode transferir dados entre regiões quando a hospedagem local de modelos não estiver disponível.
- Quando essa transferência de dados não é permitida, os administradores podem ajustar as configurações do ambiente para desabilitar recursos específicos, como modelos de linguagem do Azure ou da Pesquisa do Bing.
- O Copilot Studio não coleta nem usa dados de clientes para treinar modelos de linguagem.
Tratamento operacional de dados
- Durante a operação, o sistema armazena temporariamente as conversas em um repositório seguro gerenciado pela Microsoft.
- O acesso autorizado do pessoal da Microsoft é restrito por meio de Estações de Trabalho de Acesso Seguro (SAWs) com controles Just-In-Time (JIT).
- As organizações podem controlar ainda mais o acesso por meio do Sistema de Proteção de Dados do Cliente, exigindo aprovação explícita antes que os engenheiros de suporte da Microsoft possam visualizar os dados.
Solução de problemas de telemetria
- Recursos de IA generativa geram dados extras de solução de problemas, mas apenas para ações iniciadas pelo criador no Painel de Teste, especificamente quando o criador dá um sinal de positivo ou negativo a uma resposta.
- Nenhum dado adicional de clientes é registrado fora deste loop de feedback explícito.
Monitoramento de abuso e segurança
Como várias camadas de segurança já protegem os recursos da IA generativa, os recursos da IA generativa do Copilot Studio desabilitam o monitoramento de abuso de IA do Azure para evitar registrar em log mais dados do cliente.