Retrieval-Augmented Generation: Levantamento da Literatura Acadêmica (2020–2026)

Sumário do artigo

1. 1.1 Delimitação metodológica
2. 1.2 Escopo e estrutura
3. 2 Papers fundacionais e surveys
4. 2.1 O paper seminal
5. 2.2 Surveys abrangentes
6. 3 Variantes arquiteturais
7. 3.1 Self-RAG: retrieval auto-reflexivo
8. 3.2 Corrective RAG (CRAG)
9. 3.3 RAPTOR: retrieval hierárquico
10. 3.4 Ecossistema Graph RAG
11. 3.5 Outras variantes de top venues
12. 3.6 Agentic RAG
13. 4 Mecanismos de retrieval
14. 4.1 Dense retrieval e HyDE
15. 4.2 Modelos de embedding
16. 4.3 Reranking e busca híbrida
17. 4.4 Query transformation
18. 5 Frameworks de avaliação e benchmarks
19. 5.1 Frameworks automatizados
20. 5.2 Benchmarks purpose-built
21. 6 Aplicações domain-specific
22. 6.1 Healthcare
23. 6.2 Legal
24. 6.3 Finanças
25. 7 RAG multimodal
26. 7.1 ColPali: eliminação do bottleneck OCR
27. 7.2 Outros avanços
28. 8 Otimização de pipeline
29. 8.1 O fenômeno “Lost in the Middle”
30. 8.2 Compressão de contexto
31. 8.3 Chunking: evidência empírica
32. 8.4 Best practices
33. 9 RAG vs. fine-tuning vs. long context
34. 9.1 RAG e fine-tuning: complementares
35. 9.2 O debate long context
36. 10 De RAG a Context Engineering
37. 10.1 A metamorfose conceitual
38. 10.2 Três gerações de RAG
39. 10.3 O Context Engine: três pilares
40. 10.4 Validação via coding agents
41. 10.5 Consolidação de mercado
42. 11 Síntese e direções de pesquisa
43. 11.1 Desenvolvimentos consequentes
44. 11.2 Problemas abertos
45. 11.3 Trajetória projetada