RAG, agente e fine-tuning qual a diferença
Três termos que aparecem juntos em toda proposta de IA e resolvem problemas completamente diferentes. Entenda cada um e o critério para escolher.
RAG dá conhecimento ao modelo, agente dá ação, e fine-tuning dá comportamento. RAG busca informação na sua base antes de responder. Agente decide chamar ferramentas e executa tarefas em vários passos. Fine-tuning ajusta os pesos do modelo para padronizar formato e estilo. A maioria dos projetos precisa dos dois primeiros e não precisa do terceiro.
Os três termos resolvem problemas diferentes: RAG dá conhecimento ao modelo, agente dá capacidade de ação, e fine-tuning dá comportamento. Confundir os três é o motivo mais comum de projetos de IA custarem o dobro do necessário e entregarem metade.
RAG, o modelo lê antes de responder
RAG (Retrieval-Augmented Generation) busca trechos relevantes na sua base de conhecimento e os envia junto com a pergunta. O modelo responde lendo esse material.
Os documentos são quebrados em pedaços, convertidos em embeddings (vetores que representam significado) e guardados num banco vetorial. Na hora da pergunta, o sistema recupera os pedaços mais próximos e monta o prompt com eles.
O que RAG resolve: o modelo não sabe nada da sua empresa. Com RAG, ele passa a responder sobre o seu manual, o seu contrato, a sua política de troca, citando de onde tirou.
O que RAG não resolve: ele não executa nada. Ele lê e responde. Se a pergunta for "cancele meu pedido", RAG explica o procedimento de cancelamento; ele não cancela.
Agente, o modelo decide e executa
Um agente é um modelo com ferramentas e permissão para chamá-las em sequência, avaliando o resultado de cada chamada antes de decidir o próximo passo. O mecanismo técnico se chama tool-use ou function calling: você descreve as funções disponíveis (nome, parâmetros, o que fazem) e o modelo devolve, quando julga necessário, uma chamada estruturada em vez de texto. Seu código executa a função e devolve o resultado ao modelo, que continua o raciocínio.
Um agente de atendimento pode ter, por exemplo: buscar_na_base(pergunta), consultar_pedido(numero), emitir_segunda_via(id) e abrir_chamado(descricao).
O que agente resolve: tarefas de vários passos que dependem de dados ao vivo e de ações reais no sistema. Consultar, decidir, executar, confirmar.
O que agente não resolve: previsibilidade. Quanto mais liberdade de decisão, maior a variação de comportamento. Agentes precisam de limites explícitos, quais ações exigem confirmação humana, quantos passos no máximo, o que nunca pode ser feito sozinho.
Fine-tuning, o modelo muda de comportamento
Fine-tuning ajusta os pesos do modelo a partir de exemplos de entrada e saída. Você mostra centenas ou milhares de pares "assim é a pergunta, assim é a resposta certa" e o modelo passa a produzir saídas naquele padrão sem precisar de instruções longas.
O que fine-tuning resolve bem:
- Formato rígido de saída, extrair sempre o mesmo JSON, classificar sempre nas mesmas 12 categorias
- Tom e estilo, a voz da marca, o jeito de escrever do jurídico
- Jargão específico, vocabulário técnico de um setor que o modelo interpreta mal
- Custo, um modelo pequeno ajustado pode substituir um modelo grande numa tarefa estreita, com resposta mais rápida e mais barata
O que fine-tuning não resolve: conhecimento factual. Fatos aprendidos por fine-tuning saem sem fonte, não podem ser verificados e ficam desatualizados no instante em que a informação muda. Se a política de férias mudar, você não vai retreinar um modelo por causa disso.
Comparação direta
| RAG | Agente (tool-use) | Fine-tuning | |
|---|---|---|---|
| Dá ao modelo | Conhecimento | Ação | Comportamento |
| Responde | "O que diz o documento X?" | "Faça X para mim" | "Responda sempre neste formato" |
| Atualizar custa | Reindexar o arquivo | Manter a integração | Retreinar e reavaliar |
| Rastreabilidade | Alta, cita a fonte | Média, dá para logar cada passo | Baixa, é caixa-preta |
| Precisa de dados de treino | Não | Não | Sim, centenas a milhares de exemplos |
| Risco principal | Recuperar o trecho errado | Executar ação indevida | Envelhecer e engessar |
Como escolher na prática
Comece pela pergunta certa: o problema é o modelo não saber, não conseguir agir, ou não responder do jeito que você quer?
- Ele não sabe → RAG
- Ele sabe mas não faz → agente com tool-use
- Ele sabe e faz, mas responde fora do padrão → prompt melhor primeiro; fine-tuning só se o prompt não bastar
Essa última ordem importa. Boa parte do que se tenta resolver com fine-tuning se resolve com instruções mais claras, exemplos dentro do prompt (few-shot) e saída estruturada por esquema JSON. Fine-tuning é a última alavanca, não a primeira, porque adiciona um ciclo de treino, avaliação e versionamento que você vai carregar para sempre.
Na maioria dos sistemas de IA aplicada em empresa, e é o padrão da carteira de projetos da Retti Tech, a arquitetura acaba sendo agente + RAG + integrações, sem nenhum fine-tuning. O modelo de prateleira dá conta; o valor está em conectar direito às fontes de dado e definir bem o que ele pode fazer.
As combinações que fazem sentido
RAG dentro do agente. A busca na base vira uma ferramenta entre outras. É a arquitetura mais usada em atendimento e suporte interno.
Fine-tuning + RAG. Um modelo pequeno ajustado para o formato de saída, alimentado com trechos recuperados. Faz sentido em volume alto e tarefa estreita, onde a economia por chamada compensa a manutenção.
Fine-tuning sozinho para tarefa fechada. Classificação, extração de campo, roteamento de ticket. Tarefas sem necessidade de conhecimento externo, com muito exemplo histórico disponível.
O que quase nunca faz sentido é fine-tuning como substituto de RAG. Se alguém propõe treinar um modelo com os documentos da sua empresa para que ele "aprenda" a base, peça para explicar como a informação será atualizada e como a resposta será auditada. As duas respostas costumam expor o problema.
Perguntas frequentes
Posso usar RAG e agente ao mesmo tempo?
Sim, e essa é a combinação mais comum em produção. O agente trata a busca na base de conhecimento como uma das ferramentas disponíveis, ao lado de consulta a banco, chamada de API e envio de mensagem. Ele decide quando buscar e quando agir.
Quando fine-tuning realmente vale a pena?
Quando você precisa de um formato de saída muito específico e repetitivo, quer reduzir custo trocando um modelo grande por um pequeno especializado, ou trabalha com um jargão que o modelo interpreta mal. Nunca para injetar conhecimento factual que muda com o tempo.
Qual das três abordagens é mais barata de manter?
RAG, com folga. Atualizar conhecimento significa reindexar um documento. Agentes exigem manutenção das integrações e monitoramento de execução. Fine-tuning exige retreinar e reavaliar o modelo a cada mudança relevante, além de manter o conjunto de dados de treino.
Tem um processo que consome o time?
Me conta como funciona hoje. Se der para automatizar, eu te digo por onde começar — a conversa de diagnóstico não é cobrada.
Natiam Gabriel é AI Engineer & Full-Stack Developer e fundador da Retti Tech, estúdio de desenvolvimento de software que atende empresas em todo o Brasil. Constrói sistemas web sob medida, automações e integrações, com ou sem inteligência artificial, do levantamento de requisitos até a operação em produção. Mais de 20 empresas usam em produção os sistemas que desenvolveu.