O artigo apresenta dez posições para Inteligência de Documentos Empresariais que desafiam os tutoriais principais de RAG. Argumenta que RAG não é aprendizado de máquina; embeddings não são mágicos; a varredura de tamanho de chunk otimiza o errado; o esquema de resposta é mais importante que o modelo. O padrão padrão de tutoriais—dividir documentos em chunks, gerar embeddings, recuperar por similaridade de cosseno, rerankar, enviar ao LLM—funciona em exemplos de hello-world, mas vacila com documentos empresariais reais. As dez posições se dividem em três camadas: recuperação (estrutura primeiro, dicionários antes dos modelos, rerankers como ferramentas e não como estágios, um único armazenamento de vetores para tudo), definição empresarial (o que significa empresarial, quem o sistema amplifica, quem escolhe as rotas em tempo de execução), e auditoria (avaliação por falha, estrutura relacional entre os blocos, citações como evidência). A posição 1 inverte o tutorial padrão: os armazenamentos de vetores são um fallback, não uma base. A recuperação baseada em estrutura lida com a maioria das perguntas reais; os embeddings entram como rede de segurança para os casos residuais. Os cadernos companheiros da série são executados em PDFs reais, demonstrando recuperação baseada em estrutura antes dos embeddings, respostas tipadas com citações em nível de linha, e avaliação dividida por modo de falha.

Entidades-Chave: Empresas: Anthropic | Pessoas: Hamel Husain, Eugene Yan, Jason Liu

Perguntas Frequentes: Por que os tutoriais principais de RAG falham em ambientes empresariais?

Os tutoriais principais dependem de um único armazenamento de vetores e uma abordagem de similaridade de cosseno que funciona para exemplos de hello-world, mas falha com documentos empresariais reais. O artigo defende a recuperação baseada em estrutura, tratando os armazenamentos de vetores como um fallback, e enfatiza a interpretabilidade em vez dos benchmarks.