Logotipo Análise Macro
RAG para Documentos Econômicos

Programa e informações gerais do curso

Autor

Análise Macro

1 Resumo

RAG para Documentos Econômicos ensina a construir um sistema que responde perguntas sobre o seu próprio acervo de documentos e cita a ata e o trecho de onde tirou cada resposta. O mecanismo é a busca semântica: o acervo do Copom responde perguntas que nenhum Ctrl+F encontra, porque o documento diz “depreciação do real” onde você procurou por “câmbio”. O curso termina com esse sistema publicado numa URL pública, disponível como portfólio.

A segunda metade do curso é a que costuma faltar. Um sistema que responde bem não é o mesmo que um sistema medido, e a pergunta que o gestor faz — “isso é confiável?” — só tem resposta com número na mesa. Você monta o gabarito, mede a busca e a geração separadamente, confronta as arquiteturas construídas ao longo do curso contra o mesmo gabarito e descobre que a mais complexa nem sempre vence.

As atas do Copom atravessam as quatro aulas, coletadas da API oficial do Banco Central e congeladas por reunião, para que os números batam do começo ao fim. O corpus é congelado de propósito: trocar as reuniões implica revisar o gabarito, e essa disciplina é parte do conteúdo.

Categoria Especialização em Inteligência Artificial
Carga horária total 5 horas e 30 minutos
Horas de vídeo 5 horas e 30 minutos
Número de aulas 4 aulas, com 28 tópicos
Nível Intermediário
Certificado Sim, emitido pela Análise Macro
Lançamento 01/12/2026

Calendário de lançamento

As aulas são liberadas às terças-feiras. As aulas 3 e 4 ficam para janeiro para não caírem na semana do Natal e na do Ano-Novo.

Aula Data Dia da semana
Aula 1 – O que é RAG, a linha do tempo e o motor da busca 01/12/2026 terça-feira
Aula 2 – O RAG completo e a escadinha das arquiteturas 08/12/2026 terça-feira
Aula 3 – Adaptive RAG na prática com LangGraph 05/01/2027 terça-feira
Aula 4 – Medir e publicar: avaliação e dashboard no ar 12/01/2027 terça-feira

2 Pré-requisitos e Objetivos

Pré-requisitos

  • Python básico e alguma familiaridade com chamadas de API.
  • Uma assinatura paga de um dos provedores de IA (Claude, OpenAI ou Google), contratada diretamente com o provedor.
  • Uma chave da API do Google Gemini. O uso da API é cobrado pelo provedor e não está incluído no curso.

Este curso exige Python. Ele não é a continuação do Do Zero ao seu primeiro Agente de IA, que é um curso sem programação: quem vem de lá precisa antes de Aprendendo Python com IA. Os fundamentos de LLM — chamada de API, saída estruturada e medição de custo — são pré-requisito, não conteúdo.

O ambiente é montado na sua própria máquina, na Aula 1, com o agente conduzindo a instalação: VS Code, Python e a extensão do agente. Só a publicação do dashboard, no fim do curso, passa pelo navegador, no GitHub e no Posit Connect Cloud. VS Code e Python são gratuitos.

O que você será capaz de fazer

Ao final do curso, você será capaz de:

  • Montar um índice vetorial sobre o seu próprio acervo de documentos, do recorte dos textos à indexação, e medir quanto custou indexá-lo.
  • Construir um RAG completo à mão, sem framework, que responde citando o documento e o trecho de origem.
  • Reconhecer as três falhas típicas de um RAG simples — comparação entre documentos, pergunta fora do corpus e pergunta ambígua — e saber qual degrau de arquitetura resolve cada uma.
  • Implementar um Adaptive RAG em LangGraph que roteia a pergunta, julga os trechos recuperados, reescreve a consulta quando a busca falha e confere a própria resposta antes de entregá-la.
  • Montar um gabarito e medir busca e geração separadamente, com um modelo como juiz, e reconhecer o momento de conferir à mão.
  • Comparar arquiteturas contra o mesmo gabarito e escolher a que vence naquele corpus, em vez de adotar a mais complexa por padrão.
  • Publicar o sistema como um dashboard na internet, com URL própria, para usar como portfólio.

Habilidades e ferramentas

Habilidades desenvolvidas no curso:

  • As duas metades do RAG, recuperação e geração, que falham por motivos diferentes e por isso são avaliadas separadamente.
  • A linha do tempo da técnica de 2020 a 2026, cada fase com o problema que resolveu.
  • RAG contra as alternativas: corpus inteiro na janela de contexto, agente buscando sozinho e busca na web, comparados em custo, latência e rastreabilidade.
  • Embeddings e similaridade de cosseno: texto vira vetor e distância vira significado.
  • Chunking: o efeito do tamanho do recorte sobre a qualidade da busca, e o critério para documento econômico.
  • Coleta de corpus pela API oficial do Banco Central e indexação no Chroma.
  • O prompt de geração e as quatro regras que fazem diferença mensurável.
  • Filtros por metadados, para restringir a busca por reunião ou período antes da etapa semântica.
  • A escadinha das arquiteturas de RAG, do ingênuo ao agêntico, cada degrau com o artigo científico original: CRAG, Self-RAG, Adaptive RAG e a recuperação agêntica.
  • Fluxo com estado em LangGraph: nós, arestas condicionais e estado compartilhado.
  • Roteador, avaliador de busca, reescritor de pergunta e avaliador de resposta.
  • Construção de gabarito sobre corpus congelado.
  • Métricas de recuperação: se o trecho certo veio, e em que posição da lista.
  • Avaliação de geração com um modelo como juiz, e os limites desse método.
  • Classificação do tom das atas e construção de uma série de conjuntura a partir do pipeline.
  • Dashboard em Streamlit e publicação, do notebook à aplicação no ar.

Ferramentas utilizadas:

  • VS Code, o editor onde tudo acontece, com Python instalado na própria máquina.
  • Claude Code, o agente usado nas demonstrações, na extensão do VS Code; Codex e Gemini CLI, apresentados em pé de igualdade.
  • API do Google Gemini pelo SDK google-genai, com a chave guardada como variável de ambiente do projeto, nunca no código e nunca versionada.
  • Chroma, o banco vetorial, com o pipeline construído à mão nas Aulas 1 e 2.
  • LangGraph, a orquestração do Adaptive RAG na Aula 3.
  • Streamlit, a interface do dashboard.
  • GitHub e Posit Connect Cloud, para a publicação, feita pelo navegador.
  • A API de atas do Copom do Banco Central, o corpus do curso: as dez atas da 271ª à 280ª reunião.

3 Programa Detalhado

Aula 1 – O que é RAG, a linha do tempo e o motor da busca

Você passa a entender por que a busca por palavra falha num acervo econômico e como a busca semântica resolve isso. Sai da aula com o corpus de atas coletado da API do Banco Central, fatiado, indexado e respondendo a perguntas que nenhum Ctrl+F encontraria.

  • Tópico 1.1 - O problema que nenhum Ctrl+F resolve.
  • Tópico 1.2 - O que é RAG.
  • Tópico 1.3 - De 2020 a 2026: a linha do tempo.
  • Tópico 1.4 - RAG contra as alternativas.
  • Tópico 1.5 - Embeddings: texto vira vetor, distância vira significado.
  • Tópico 1.6 - Chunking: fatiar antes de indexar.
  • Tópico 1.7 - O corpus e o primeiro índice.

Aula 2 – O RAG completo e a escadinha das arquiteturas

Você passa de trechos recuperados para respostas com fonte citada, construídas à mão e sem framework, o que torna visível cada decisão que os frameworks escondem. E vê o sistema recém-construído errar três perguntas, cada uma por um motivo distinto, o que dá sentido ao mapa de arquiteturas que fecha a aula.

  • Tópico 2.1 - Da busca à resposta com fonte.
  • Tópico 2.2 - O prompt de geração: quatro regras.
  • Tópico 2.3 - A função completa.
  • Tópico 2.4 - Três perguntas que expõem os limites.
  • Tópico 2.5 - Controle fino: filtros por metadados.
  • Tópico 2.6 - A escadinha do RAG.

Aula 3 – Adaptive RAG na prática com LangGraph

Você passa a construir um sistema que decide o próprio caminho: roteia a pergunta, julga se os trechos recuperados servem, reformula a consulta quando a busca falha e confere se a resposta está ancorada nos trechos antes de entregá-la, com cada decisão inspecionável a cada execução.

  • Tópico 3.1 - Do mapa à implementação.
  • Tópico 3.2 - Setup e estado do grafo.
  • Tópico 3.3 - O roteador.
  • Tópico 3.4 - Os nós de busca.
  • Tópico 3.5 - O avaliador de busca.
  • Tópico 3.6 - Reescritor e gerador.
  • Tópico 3.7 - O avaliador de resposta.
  • Tópico 3.8 - Montando o grafo e vendo as decisões.

Aula 4 – Medir e publicar: avaliação e dashboard no ar

Você passa a responder com evidência à pergunta que o gestor faz. Monta o gabarito, mede busca e geração separadamente, confronta as arquiteturas construídas no curso e descobre que a mais complexa nem sempre vence. A aula fecha com o projeto final: o dashboard publicado no Posit Connect Cloud, com URL pública.

  • Tópico 4.1 - A pergunta que o gestor vai fazer.
  • Tópico 4.2 - O gabarito.
  • Tópico 4.3 - Medir a busca.
  • Tópico 4.4 - Medir a resposta.
  • Tópico 4.5 - O confronto: três rotas, um gabarito.
  • Tópico 4.6 - Do sistema ao produto: sentimento das atas.
  • Tópico 4.7 - O dashboard em Streamlit.

4 Inscrição

A matrícula dá acesso às videoaulas das quatro aulas e à apresentação de abertura, ao código completo de cada aula pronto para rodar, ao guia de leitura em HTML de cada aula com os diagramas e os blocos de código, ao gabarito de avaliação montado sobre o corpus congelado, ao código do dashboard em Streamlit, à lista de artigos científicos de cada degrau da escadinha de arquiteturas, ao suporte individual com professores e à emissão do certificado da Análise Macro ao concluir o curso.