RAG Jurídico: definição e arquitetura

O que é RAG jurídico

RAG é sigla de Retrieval-Augmented Generation, expressão traduzida como geração aumentada por recuperação. A técnica combina duas operações em sequência: um mecanismo de busca localiza, dentro de um acervo documental delimitado (leis, súmulas, acórdãos, doutrina), os trechos de texto pertinentes à pergunta formulada; um modelo de linguagem redige a resposta a partir dos trechos recuperados, e não apenas a partir do conhecimento fixado durante o treinamento do modelo. RAG jurídico aplica a mesma técnica a um acervo composto por fontes do direito e por decisões judiciais.

Um modelo de linguagem sem RAG responde a uma pergunta jurídica a partir de padrões estatísticos aprendidos em volume de texto, sem consulta ao texto vigente da norma, da súmula ou do acórdão mencionado na resposta. O modelo produz, sem base documental de apoio, número de processo, nome de relator e data de julgamento plausíveis e ao mesmo tempo fabricados, fenômeno chamado de alucinação. RAG jurídico reduz o risco de alucinação: a resposta cita somente trechos recuperados de um banco de documentos verificado, e o sistema aponta a origem de cada trecho usado.

RAG jurídico funciona como um assessor que, antes de opinar sobre um caso, procura o volume físico do Código Penal na estante do gabinete, localiza o Diário de Justiça com o acórdão publicado, lê as páginas pertinentes, e só depois de ler formula a resposta com a página aberta sobre a mesa. Um modelo de linguagem sem RAG funciona como um assessor que responde de memória, sem abrir volume algum: a resposta ou corresponde ao texto real, ou é produto de lembrança imprecisa.

Três diferenças entre RAG genérico e RAG jurídico

1. Chunking hierárquico

   A divisão do texto em trechos recuperáveis segue a estrutura normativa (capítulo, seção, artigo, parágrafo, inciso) e não um corte arbitrário por número de caracteres. Um corte arbitrário separaria o caput do art. 155 do Código Penal do § 4º-B, dispositivo que qualifica o furto mediante fraude eletrônica e foi inserido pela Lei 14.155, de 27 de maio de 2021. O corte arbitrário produz recuperação de trecho truncado e resposta incompleta.

2. Desambiguação de entidades

   O texto normativo repete os mesmos termos com sentidos distintos conforme o contexto: "art. 155" designa furto no Código Penal e designa hipótese de segredo de justiça no Código de Processo Civil. O mesmo entendimento jurisprudencial aparece sob rótulos distintos em fontes distintas: súmula, tema de repetitivo, acórdão paradigma. A desambiguação de entidades identifica quando dois textos tratam do mesmo referente.

3. Correferência entre documentos

   Um tema jurisprudencial é tratado em múltiplos acórdãos ao longo do tempo. Ligar as menções ao mesmo tema através de documentos distintos permite reconstruir a linha de precedentes, tarefa diferente do simples retorno de acórdãos isolados e desconectados entre si.

Arquitetura de RAG jurídico

Corpus normativo → anotação e chunking → desambiguação e correferência → base de conhecimento → busca semântica

Diagrama reconstruído a partir de esquema genérico de arquitetura de extração de conhecimento (corpus creation → annotation ↔ knowledge management), com terminologia adaptada a RAG jurídico.

Leitura do diagrama, sem jargão

O quadro superior, Formação do Corpus Normativo, reúne a coleta dos documentos-fonte (leis, súmulas, temas, acórdãos, doutrina) e a estatística do acervo formado: quantos documentos, de quais tribunais, sobre quais matérias, em qual período. A operação corresponde à montagem da biblioteca que o sistema vai consultar.

O quadro inferior esquerdo, Anotação e Chunking Hierárquico, recorta o texto bruto em unidades menores e etiqueta cada unidade. Três operações compõem o quadro: identificação de menções normativas (encontrar, no texto, a referência a um artigo de lei ou a uma súmula do tribunal); extração de relações jurídicas (registrar que um acórdão aplica um tema, ou que um artigo remete a outro); reconhecimento da estrutura sintática que organiza capítulo, seção, artigo, parágrafo e inciso em hierarquia. A operação corresponde a fichar cada página da biblioteca antes de guardar a página no lugar correto da estante.

O quadro inferior direito, Gestão da Base de Conhecimento Jurídico, organiza o resultado da anotação em três categorias: conceitos e institutos (insignificância, dolo eventual, bis in idem), entidades normativas (o dispositivo de lei, o tribunal, o relator) e eventos processuais (data de julgamento, data de publicação, revogação superveniente). A operação corresponde ao catálogo da biblioteca, índice que permite encontrar o assunto sem reler cada volume.

A seta que liga o quadro superior ao quadro inferior esquerdo, Chunking Direcionado, indica que a divisão do texto em trechos não segue regra fixa e igual para todo documento: a divisão observa a estrutura de cada tipo de fonte (lei, portaria e acórdão têm estruturas distintas), e o corpus formado no quadro superior direciona o modo de recorte.

A seta que liga o quadro superior ao quadro inferior direito, Busca Semântica, indica a etapa em que o texto recortado é convertido em vetor numérico (embedding, por exemplo pelo modelo multilingual-e5-large) e armazenado em banco vetorial (por exemplo ChromaDB), de modo que uma pergunta em linguagem natural encontre o trecho de sentido próximo, ainda que a pergunta não repita as mesmas palavras do texto da lei.

A seta dupla entre os dois quadros inferiores, Desambiguação de Entidades e Correferência entre Acórdãos, indica o ponto em que a arquitetura cruza a anotação (o que cada trecho diz) com o conhecimento acumulado (o que já se sabe sobre o assunto): o cruzamento resolve ambiguidade de referência e liga menções ao mesmo instituto ou ao mesmo precedente espalhadas por documentos diferentes. Sem a etapa de desambiguação, o sistema trataria cada citação normativa como item isolado, sem religar precedentes que tratam do mesmo tema.

A arquitetura funciona em ciclo, e não em linha reta: o conhecimento organizado no quadro inferior direito realimenta a formação do corpus no quadro superior, por meio da busca semântica: um conceito identificado na base direciona a busca por documentos adicionais sobre o mesmo instituto, e o corpus cresce orientado pelo conhecimento já extraído, e não apenas por coleta manual.

Em linguagem simples

RAG jurídico é um método que faz um sistema de inteligência artificial responder a pergunta sobre direito consultando documentos reais antes de escrever a resposta, em vez de responder só de memória. O sistema guarda leis, súmulas e decisões de tribunal organizadas por assunto. Quando alguém faz uma pergunta, o sistema procura, dentro do conjunto de documentos guardados, os trechos que tratam do mesmo assunto e escreve a resposta citando os trechos encontrados. O método evita que o sistema invente número de processo, nome de juiz ou data de julgamento inexistentes: a resposta fica presa ao texto guardado nos documentos, e não à produção livre do sistema.

Uma comparação simples: um mecanismo de busca comum devolve links da internet inteira; RAG jurídico devolve apenas trechos de uma biblioteca fechada, montada com fontes do direito escolhidas de antemão, e entrega os trechos encontrados ao sistema de inteligência artificial para a escrita da resposta.

Glossário

RAG (Retrieval-Augmented Generation)

Técnica que combina busca documental com geração de texto por modelo de linguagem. O sistema recebe, junto da pergunta, os trechos recuperados de um acervo, e produz a resposta a partir dos trechos recebidos.

RAG jurídico

Aplicação da técnica RAG a um corpus normativo, com chunking hierárquico, desambiguação de entidades e correferência entre documentos como etapas adicionais em relação a um RAG genérico.

Corpus

Conjunto de documentos que compõe o acervo consultado pelo sistema. Em RAG jurídico, o corpus reúne leis, súmulas, temas de repetitivo, acórdãos e doutrina.

Corpus normativo

Corpus formado por fontes do direito e por decisões judiciais, delimitado por critério de matéria, tribunal ou período.

Chunking

Divisão de um documento longo em trechos menores, unidade mínima de recuperação em um sistema RAG.

Chunking hierárquico

Chunking que segue a estrutura interna do documento (capítulo, seção, artigo, parágrafo, inciso), em vez de dividir o texto por número fixo de caracteres.

Embedding

Representação numérica de um trecho de texto em forma de vetor, produzida por modelo treinado para captar o sentido do trecho, e não apenas as palavras usadas literalmente.

Busca semântica

Busca que localiza documentos por proximidade de sentido entre o vetor da pergunta e o vetor de cada trecho armazenado, em vez de localizar por coincidência exata de palavras.

Banco de dados vetorial

Banco de dados especializado no armazenamento e na comparação de vetores de embedding. ChromaDB é exemplo de banco vetorial usado em sistemas RAG.

Multilingual-e5-large

Modelo de embedding multilíngue usado para converter texto, inclusive texto em português, em vetor semântico.

Entidade normativa

Elemento do texto normativo tratado como unidade de referência: um dispositivo de lei, um tribunal, um relator, uma data de julgamento.

Desambiguação de entidades

Operação que identifica quando duas menções textuais distintas se referem à mesma entidade, ou quando uma mesma expressão textual designa entidades distintas conforme o contexto (por exemplo, "art. 155" no Código Penal e no Código de Processo Civil).

Correferência entre documentos (cross-document coreference)

Ligação entre menções ao mesmo referente (um instituto, um precedente, um tema) feitas em documentos diferentes, de modo a tratar as menções como parte de uma só linha de sentido.

Alucinação (em modelo de linguagem)

Produção, pelo modelo, de conteúdo com aparência de fato (número de processo, citação, data) sem correspondência com fonte real. RAG jurídico reduz o risco de alucinação ao restringir a resposta aos trechos recuperados de um banco verificado.

Súmula

Enunciado que sintetiza entendimento consolidado de um tribunal sobre determinada questão jurídica, aprovado pelo procedimento interno de cada corte.

Tema de repetitivo

Questão jurídica selecionada por tribunal superior (STF ou STJ) para julgamento sob o rito dos recursos repetitivos, com tese vinculante para casos análogos.

Acórdão paradigma

Acórdão escolhido como referência de um entendimento, geralmente o julgado que fixou a tese aplicada a casos posteriores semelhantes.

Precedente

Decisão judicial anterior invocada como fundamento ou parâmetro de julgamento para caso posterior.

Instituto jurídico

Conceito ou figura consolidada no direito, com contorno doutrinário e jurisprudencial definido (insignificância, dolo eventual, bis in idem).

Relator

Magistrado responsável por elaborar o voto que orienta o julgamento de um processo em órgão colegiado.

Dispositivo legal

Unidade do texto normativo (artigo, parágrafo, inciso, alínea) que contém comando jurídico determinado.