💬 NLP

W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases

Este artigo apresenta o W-RAG, um framework de recuperação consciente da fonte que aborda as limitações do ranking global em bases de conhecimento empresariais heterogêneas ao empregar recuperação guiada por ontologia e ponderação ao nível da fonte para melhorar a cobertura de documentos e a qualidade da geração.

Autores originais: Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

Publicado 2026-08-25

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No ambiente de trabalho moderno, a redação de documentos complexos, como manuais de políticas, relatórios de fusão ou planos de lançamento de produtos, muitas vezes exige a reunião de informações de diversos lugares. Uma equipe pode precisar consultar regras internas da empresa, artigos de pesquisa científica, regulamentações governamentais e notícias de mercado, tudo ao mesmo tempo. Para ajudar com isso, cientistas da computação desenvolveram sistemas que permitem à inteligência artificial pesquisar fatos antes de escrever uma frase. Essa abordagem, conhecida como geração aumentada por recuperação (retrieval-augmented generation), funciona como um assistente digital que lê uma biblioteca de documentos e usa essas notas para redigir uma resposta. O objetivo é tornar a IA mais precisa e fundamentada na realidade, evitando que ela invente fatos. No entanto, um problema significativo surge quando esses sistemas tentam reunir informações de vários tipos diferentes de bibliotecas simultaneamente.

O desafio é que nem todas as fontes de informação são iguais, e elas não desempenham todas o mesmo papel em um único documento. Um sistema padrão geralmente trata cada trecho de texto que encontra como se estivesse competindo em uma única corrida, escolhendo os melhores resultados baseando-se puramente no quão proximamente as palavras correspondem à pergunta do usuário. Em um ambiente corporativo, esse método frequentemente falha. Ele pode trazer centenas de páginas de artigos de notícias gerais porque contêm as palavras-chave corretas, enquanto ignora completamente um único parágrafo crucial de uma regulamentação governamental específica ou de uma diretriz de segurança técnica. O resultado é um rascunho que soa fluente, mas que omite os detalhes essenciais e especializados necessários para tornar o documento juridicamente ou tecnicamente válido. A IA acaba com uma janela de contexto dominada por um tipo de fonte, deixando de fora a evidência diversificada necessária para construir um quadro completo.

Os pesquisadores Hridya Dhulipala, Rajesh Ombase, Michael Wang e Tien N. Nguyen propuseram-se a resolver esse problema específico. Eles propuseram um novo framework chamado W-RAG, que significa recuperação consciente da fonte (source-aware retrieval). Em vez de deixar todos os documentos de todas as bibliotecas competirem entre si em um grande grupo, este novo sistema organiza o processo de busca. Primeiro, ele identifica os temas específicos necessários para o documento, como "privacidade de dados" ou "conformidade financeira", e utiliza um mapa estruturado de conceitos para encontrar passagens relevantes. Em seguida, em vez de classificar tudo junto, ele classifica os melhores documentos dentro de cada biblioteca específica separadamente. Por fim, ele atribui um orçamento específico para cada biblioteca, decidindo exatamente quanto do espaço do documento final deve ser preenchido por relatórios corporativos, quanto por artigos científicos e quanto por textos legais. Isso garante que o rascunho final seja uma composição equilibrada de evidências, refletindo as reais necessidades da tarefa, em vez de apenas o volume de texto disponível em uma única fonte.

Para testar se essa abordagem realmente funcionava, a equipe criou um novo conjunto de dados projetado especificamente para esse tipo de redação empresarial. Eles construíram cem cenários realistas, variando desde a redação de políticas de saúde até a preparação de relatórios de fusões e aquisições. Para cada cenário, construíram quatro bibliotecas distintas de informações: uma contendo registros corporativos e guias operacionais, outra com pesquisas científicas, uma terceira com textos legais e regulatórios, e uma quarta com notícias de mercado e relatórios do setor. Em seguida, pediram à IA que escrevesse documentos baseados nessas fontes mistas. Os pesquisadores descobriram que os sistemas padrão, que simplesmente selecionam os melhores resultados de uma lista global, tiveram dificuldades significativas. Esses sistemas frequentemente produziam documentos que eram fluentes, mas incompletos, falhando em cobrir os requisitos obrigatórios da tarefa porque haviam ignorado as bibliotecas menores e especializadas.

Os resultados mostraram uma diferença clara quando o novo método consciente da fonte foi utilizado. Ao forçar o sistema a respeitar os papéis distintos de cada base de conhecimento, a qualidade dos documentos gerados melhorou dramaticamente. A nova abordagem aumentou a satisfação dos requisitos do documento em mais de cinquenta por cento em comparação aos métodos anteriores mais avançados, e em mais de cem por cento em comparação aos sistemas padrão. Também garantiu que a informação utilizada para escrever o documento viesse de uma mistura correta de fontes, em vez de ser enviesada para a maior biblioteca ou para a que possuía mais texto. O estudo sugere que, para tarefas de escrita complexas e do mundo real, a maneira como a informação é selecionada e equilibrada é tão importante quanto a capacidade de encontrá-la. Ao gerenciar cuidadosamente a composição das evidências, o sistema pode produzir rascunhos que não são apenas fundamentados em fatos, mas também estruturalmente completos, atendendo às diversas necessidades da redação empresarial moderna.

Resumo Técnico: W-RAG – Recuperação Consciente de Fontes para Geração de Documentos Corporativos

Declaração do Problema
A Geração Aumentada de Recuperação (RAG) melhorou o embasamento factual de Grandes Modelos de Linguagem (LLMs) ao incorporar conhecimento externo. No entanto, os pipelines de RAG existentes dependem de um mecanismo de classificação global que assume que evidências de múltiplos repositórios heterogêneos podem ser avaliadas usando uma única função de similaridade. Essa premissa é válida para a recuperação de domínio aberto, mas falha na geração de documentos corporativos. Em ambientes empresariais, as bases de conhecimento (KBs) — como políticas, regulamentações, especificações técnicas e diretrizes departamentais — desempenham papéis distintos. A classificação global tende a favorecer fontes maiores, mais densas ou lexicalmente dominantes, suprimindo repositórios menores, porém críticos. Isso leva a janelas de contexto desequilibradas, onde o documento gerado carece de evidências necessárias de domínios específicos, resultando em rascunhos incompletos que não atendem aos complexos requisitos corporativos.

Metodologia: Framework W-RAG
Os autores propõem o W-RAG, um framework de recuperação consciente de fontes projetado para regular a composição de evidências entre KBs heterogêneas. O sistema opera em três estágios distintos:

Recuperação de Candidatos Guiada por Ontologia:
Em vez de confiar apenas na similaridade semântica, o W-RAG utiliza uma ontologia de domínio para extrair tópicos estruturados da consulta de entrada. Ele recupera candidatos de texto de cada KB usando uma função de pontuação híbrida:
$R(c_{jk}) = f_{sim}(q, c_{jk}) + \lambda f_{ont}(T, c_{jk})$
onde $f_{sim}$ mede a similaridade semântica (similaridade de cosseno de embeddings) e $f_{ont}$ mede o alinhamento com os tópicos da ontologia extraída. Isso garante que os candidatos não sejam apenas lexicalmente relevantes, mas também tematicamente alinhados com os requisitos do documento alvo.
Estimativa de Peso da Fonte:
Em vez de mesclar todos os candidatos em um único ranking global, o W-RAG estima um peso específico ( $w_j$ ) para cada KB. Este é computado em tempo real comparando o conjunto de tópicos de entrada contra o índice de tópicos da KB. A pontuação combina:
- Sobreposição Tópica: O principal motor, medindo quão bem a KB corresponde aos tópicos de entrada.
- Disponibilidade de Documento: Um prior fraco que favorece KBs com cobertura mais ampla.
- Bônus de Categoria: Uma recompensa pelo alinhamento grosseiro de domínio.
  Essas pontuações são normalizadas para determinar a porcentagem do orçamento total de contexto ( $T_{total}$ ) que cada KB deve contribuir.
Construção de Contexto Ponderado:
Os pesos estimados são convertidos em orçamentos de tokens ( $T_j$ ) para cada KB. O sistema seleciona os fragmentos (chunks) mais bem classificados de cada conjunto de candidatos classificados localmente até que o orçamento específico para aquela KB seja esgotado. Esses fragmentos são fundidos em uma Janela de Contexto Única (SCW), garantindo que o prompt final reflita uma composição equilibrada de fontes, em vez da dominância de um único repositório.

Principais Contribuições

Formulação do Problema: O artigo identifica um modo de falha crítico nos sistemas RAG existentes: a classificação global entre KBs heterogêneas falha em preservar a composição de fontes necessária para a geração completa de documentos corporativos.
Inovação Metodológica: O W-RAG introduz um framework que combina recuperação guiada por ontologia, classificação local dentro de cada KB e ponderação ao nível da fonte para regular a composição de evidências.
Novo Conjunto de Dados e Benchmark: Os autores introduzem um novo conjunto de dados para geração de documentos corporativos baseada em recuperação. Ele inclui 100 documentos de requisitos em quatro tipos (Políticas, Lançamento de Produto, Due Diligence de M&A, Programas Acadêmicos) e quatro domínios (IA/Mídia Digital, Saúde, Clima/Sustentabilidade, Finanças). O conjunto de dados é pareado com quatro KBs heterogêneas (Corporativa, Científica, Regulatória, Mercado/Notícias) para testar a síntese de evidências de múltiplas fontes.

Resultados Experimentais
Os autores avaliaram o W-RAG contra o Vanilla RAG padrão e um baseline de RAG Guiado por Ontologia (OG-RAG) usando o GPT-4.1 como gerador e o Claude Sonnet 4.6 como LLM-como-juiz. As principais descobertas incluem:

Ganhos de Desempenho: O W-RAG superou significativamente os baselines. Em relação ao OG-RAG, ele melhorou a Satisfação de Requisitos em 58,1% e a Relevância de Contexto em 39,1%. Comparado ao Vanilla RAG, as melhorias foram de 109,2% e 96,4%, respectivamente.
Fidelidade da Fonte: O estudo mediu a "Fidelidade de Base de Conhecimento Realizada" para determinar se o documento gerado refletia a distribuição pretendida das fontes. O W-RAG demonstrou um forte alinhamento entre os pesos de recuperação prescritos e a atribuição de fonte real no texto gerado, com pontuações de Divergência de Jensen-Shannon indicando concordância de moderada a forte.
Recuperação vs. Geração: Os resultados indicam que alta qualidade de recuperação por si só não garante alta qualidade de documento; a composição da evidência de múltiplas fontes é crítica para satisfazer os requisitos corporativos.

Significância e Alegações
O artigo alega que as suposições do RAG padrão são mal adaptadas à tarefa de geração de documentos corporativos. Ao gerenciar explicitamente como o contexto recuperado é distribuído entre as bases de conhecimento, o W-RAG permite uma geração de documentos mais fiel e completa. Os autores postulam que, em configurações corporativas de múltiplas fontes, a "composição de evidências ao nível do documento" é tão importante quanto a "qualidade de classificação ao nível do fragmento". O trabalho sugere que ir além da classificação de similaridade global para a alocação consciente da fonte é necessário para a síntese confiável de políticas, contratos e documentação técnica.

Limitações
Os autores reconhecem que sua avaliação depende de um conjunto de dados sintético relativamente pequeno, que pode não capturar totalmente a escala e o ruído dos ambientes corporativos do mundo real. Além disso, as métricas de avaliação envolvem subjetividade parcial, e a abordagem ainda não foi validada em ambientes de recuperação de domínio aberto ou menos estruturados.

Mais como este