A maioria dos sistemas de chat de IA construídos sobre documentos tem o mesmo problema silencioso: eles encontram texto, mas não o compreendem de verdade. Passamos um tempo repensando como o Attlas processa e recupera informações, e a diferença é significativa.
Aqui está o que mudamos e por que isso importa.
O caminho antigo: cortar documentos como uma máquina
Quando um usuário envia um documento, seja um anúncio imobiliário, um contrato legal ou um curso de treinamento, a abordagem clássica é simples: corte o texto em pedaços de tamanho fixo de aproximadamente 1.000 caracteres, armazene-os e faça buscas entre eles quando alguém faz uma pergunta.
Funciona. Até que deixa de funcionar.
O problema é que uma máquina não se importa com o significado quando corta. Ela corta no meio das frases. Separa uma pergunta da sua resposta. Divide uma tabela ao meio. E quando a IA tenta responder com base nesses pedaços quebrados, o resultado soa estranho, incompleto, às vezes errado.
O que reconstruímos
1. Cortar pelo significado, não pela contagem de caracteres
Em vez de contar caracteres, agora cortamos seguindo a estrutura natural do documento.
Se um documento tem seções e subseções, nós as respeitamos. Se tem parágrafos, os agrupamos de forma inteligente. Tabelas nunca são divididas. E só recorremos ao corte mecânico como último recurso, quando realmente não há estrutura a seguir.
Um documento curto sem cabeçalhos? Um único bloco. Um documento jurídico de 20.000 caracteres com dez seções? Dez blocos significativos, cada um completo por si só.
2. Preparando respostas para perguntas que ninguém fez ainda
Aqui está a percepção central: uma pergunta e sua resposta não se parecem.
Um usuário pergunta "quanto custa o apartamento no terceiro andar?" mas o documento diz "T3, 85m², €320.000, vista aberta." Para um humano, significam a mesma coisa. Para um algoritmo de busca, parecem muito diferentes.
Então, para cada bloco de conteúdo que armazenamos, agora também pedimos ao Gemini que gere de 3 a 5 perguntas que esse bloco responde. Essas perguntas são armazenadas e indexadas junto com o texto original.
Quando um usuário pergunta algo, o sistema agora busca em dois lugares ao mesmo tempo: o conteúdo original e essas perguntas pré-geradas. Combinar uma pergunta com outra pergunta é muito mais natural do que combinar uma pergunta com texto bruto.
Para o cardápio de um restaurante: o trecho "Espaguete à carbonara, bacon, ovo, parmesão, €14" gera perguntas como "Quais pratos de massa vocês têm?", "Quais pratos contêm bacon?", "Quanto custa a carbonara?", tudo instantaneamente encontrável.
Para o banco de dados de casos de um escritório de advocacia: uma cláusula enterrada em um contrato de 40 páginas se torna acessível através da formulação exata que um advogado usaria naturalmente para procurá-la.
3. Dando à IA o fio da conversa
Documentos não existem em frases isoladas. Pronomes, referências e contexto fluem de um parágrafo para o outro.
Considere isto: um documento diz "Marie Curie descobriu o rádio" em um parágrafo e, dois parágrafos depois, diz "Ela recebeu o Prêmio Nobel por essa descoberta." Se o sistema recuperar apenas o segundo parágrafo, não tem ideia de quem é "ela" ou a que "essa descoberta" se refere.
Agora, cada bloco carrega automaticamente as duas últimas frases do bloco anterior como contexto silencioso. A IA recebe:
[Contexto: Marie Curie descobriu o rádio em 1898.] Ela recebeu o Prêmio Nobel por essa descoberta em 1903.
O usuário recebe uma resposta coerente e precisa. Não um palpite.
4. Mantendo os resumos fora do caminho
Para cada documento, geramos um resumo denso usando a janela de contexto de 1 milhão de tokens do Gemini, o que significa que até mesmo um documento legislativo de 500 páginas é resumido completamente, sem truncamentos.
Esse resumo é armazenado separadamente e usado apenas para perguntas amplas e gerais sobre o documento. Ele não contamina mais os resultados de pesquisa precisa, o que era um problema sutil, mas real, antes.
Como isso se parece na prática
A arquitetura por trás disso
Todo esse pipeline de enriquecimento funciona como um único endpoint de API. Um documento entra como texto markdown. O que sai no banco de dados é um conjunto estruturado, enriquecido e pronto para busca, com embeddings, perguntas pré-geradas, prefixos contextuais e um resumo em nível de documento.
A função de busca consulta tanto o conteúdo quanto a pergunta em paralelo, mescla as pontuações e reconstrói cada bloco com seu contexto antes de enviá-lo à IA.
Por que isso importa para os usuários do Attlas
O Attlas é usado por agências imobiliárias, escritórios de advocacia, restaurantes, professores, coaches e ministérios, etc… todos enviando tipos muito diferentes de documentos em idiomas muito diferentes.
O que todos têm em comum: eles precisam que seu chat de IA saiba realmente o que está em seus documentos. Não aproximadamente. Não na maioria das vezes. De forma confiável.
É disso que se trata essa reconstrução.
Fundador da Attlas. Ele combina pensamento de produto, ferramentas low-code e design para permitir que qualquer pessoa crie chats com IA a partir de seus próprios dados.
