Como atualizar um RAG quando os documentos mudam: sincronização e exclusão

Publicado em 2026-11-16 por ArduBot

Guia para manter um índice RAG atualizado por meio de hashes, sincronização incremental, versionamento, exclusões e idempotência.

Um sistema RAG não falha apenas porque busca mal: também falha quando encontra informações que não deveriam mais existir. As mudanças documentais tornam a sincronização uma parte central do produto, não uma manutenção secundária.

O problema das versões antigas

Suponha que uma empresa altere sua política de devoluções na segunda-feira. O sistema extrai o novo PDF, mas conserva os fragmentos do anterior. Ao perguntar sobre o prazo, a busca pode retornar ambos. O modelo pode até combiná-los e criar uma regra que nunca existiu.

A atualização correta exige identificar qual documento mudou, quais fragmentos pertencem à sua versão anterior e qual versão está vigente. O índice deve ser capaz de responder qual fonte originou cada fragmento.

Identificadores e estados mínimos

Cada fonte precisa de um source_id estável, tipo (PDF, URL, CMS), versão ou hash, data da última verificação, estado e proprietário. Cada fragmento deve se referir ao seu source_id e version_id.

Um fluxo simples:

Detectar cambio -> comparar hash/version
  -> si no cambió: terminar
  -> extraer y validar contenido nuevo
  -> indexar nueva versión en borrador
  -> comprobar calidad
  -> activar nueva versión y retirar la anterior
Esse mecanismo evita que um erro de processamento apague uma versão útil antes que a nova esteja pronta. Em volumes pequenos, pode ser resolvido com operações transacionais ou estados bem definidos; em maior escala, é necessária reconciliação entre armazenamento, filas e índice.

Quatro eventos diferentes

Alta: aparece um novo documento e seu origem é registrada.

Modificação: mudam título, texto ou permissões. Deve ser atualizado o que foi afetado; as permissões podem exigir alterações mesmo que o texto seja idêntico.

Exclusão: são removidos o conteúdo e os índices relacionados de acordo com a política de retenção. Não basta excluir a linha do painel.

Falha temporária: um site retorna 503 ou uma integração perde acesso. Não deve ser interpretado automaticamente como “o documento foi excluído”.

Para conectores externos, separe “não consegui lê-lo” de “o proprietário o excluiu”. O segundo caso pode exigir um sinal de exclusão confirmado.

O custo oculto de reindexar tudo

Se dois documentos mudam entre dez mil, reprocessar todos multiplica OCR, geração de embeddings e trabalho de armazenamento. Uma sincronização incremental com hashes pode economizar operações, embora seja necessário gerenciar casos onde muda o extrator ou o modelo de embeddings: essas mudanças podem justificar uma reindexação geral.

Planeje um procedimento de migração do índice e uma forma de retroceder se a busca piorar.

Como verificar que está atualizado

Mantenha testes automatizados: uma pergunta cuja resposta mudou, outra sobre uma versão retirada e outra sobre um documento com novas permissões. Verifique que as citações apontem para a versão ativa. Adicione métricas de “tempo desde edição até consulta disponível”, erros de sincronização e documentos pendentes.

Proposta em estudo: um RAG automático do ArduMaker faria sentido se se encarregasse não apenas da primeira carga, mas também dessa sincronização. Seu conteúdo muda diariamente ou uma vez por mês? Explique em ArduMaker.

Fontes: Azure AI Search e RAG · Bases de Conhecimento da AWS.

  • RAG
  • sincronización
  • indexación
  • documentos
  • versionado

Continuar lendo

Todos os artigos · Planos VPS