Curadoria Vem Antes da Configuração
Antes de subir arquivo no Flowise, faça duas coisas. Primeira: separe o que é fonte oficial do que é rascunho. Só entra na base o documento que a área dona endossa como resposta válida. Segunda: garanta que os PDFs têm texto extraível (abra, tente selecionar um trecho — se não seleciona, é imagem, precisa passar por OCR). PDF escaneado sem OCR é a causa número um de assistente que ignora exatamente o documento que deveria consultar.
Escreva num arquivo à parte 20 perguntas que o assistente vai receber de verdade — não pergunta fácil, pergunta real da operação. Esse arquivo é o seu teste de aceitação. Sem ele, você vai publicar um assistente que responde bem só o que você lembrar de perguntar na hora.
Seis Nós Resolvem 90% dos Casos
No canvas do Flowise, um assistente sobre documentos precisa de seis nós conectados em ordem:
- Document Loader. Carrega os arquivos. Escolha o loader de acordo com o formato (PDF, DOCX, TXT, HTML). Para uma pasta com formatos misturados, use o loader de diretório.
- Text Splitter. Quebra os documentos em pedaços. Recursive Character Text Splitter é o padrão — funciona bem para texto corrido em português.
- Embeddings. Transforma cada pedaço em um vetor numérico. OpenAI text-embedding-3-small é a escolha equilibrada em custo e qualidade para português.
- Vector Store. Guarda os vetores. Para começar, Chroma ou Faiss em memória; para produção, Pinecone, Qdrant ou Postgres com pgvector.
- Retriever. Na hora da pergunta, busca os N trechos mais parecidos. Configure em 4 a 6 no começo.
- Chat Model + Conversational Retrieval QA Chain. O chain conecta o retriever ao modelo e monta a resposta. Use GPT-4o mini, Claude Haiku ou Gemini Flash — custo baixo, qualidade suficiente para dúvidas internas.
Conecte na ordem, salve o fluxo, abra o painel de chat lateral e faça a primeira pergunta. Se recebeu resposta com sentido, o pipeline está de pé.
As Duas Decisões Que Definem a Qualidade
Tamanho do chunk. Comece com 1000 caracteres e overlap de 200. Chunk muito pequeno recorta a ideia no meio (o modelo recebe metade da resposta); chunk muito grande dilui o sinal (o trecho relevante fica cercado de contexto irrelevante e o modelo se perde). 1000/200 é o ponto de partida seguro para documentos de política, procedimento e manual em português. Se seus documentos são muito curtos (FAQs, listas), reduza para 500/100. Se são livros ou contratos longos com raciocínio conectado, teste 1500/300.
Modelo de embedding. text-embedding-3-small resolve a maioria dos casos em português. Se percebeu que perguntas equivalentes recuperam trechos diferentes, teste text-embedding-3-large — mais caro, mais preciso em nuances semânticas. Não misture modelos na mesma base — se trocar de embedding, refaça a indexação inteira.
Quantidade de trechos (top_k). Comece em 4. Se as respostas estão parciais ("faltou tal ponto"), suba para 6 ou 8. Se estão confusas (misturam fontes contraditórias), desça para 3. Passar de 10 quase nunca ajuda — dilui o contexto e encarece.
Onde Você Ensina o Assistente a Não Inventar
No nó do Conversational Retrieval QA Chain, edite o prompt do sistema. Um prompt base que funciona para dúvidas internas:
"Você é o assistente interno da empresa. Responda apenas com base nos trechos fornecidos abaixo. Se a informação não estiver nos trechos, responda 'Não encontrei essa informação na base atual — verifique com a área responsável'. Cite entre parênteses o nome do documento de origem de cada afirmação. Não invente valores, prazos, nomes de pessoas ou de clientes. Não extrapole para casos que não estão descritos."
Cada frase resolve um comportamento indesejado que você vai observar nos testes. Adicione novas regras à medida que aparecem casos — sem começar com um prompt de duas páginas que ninguém entende depois.
As 20 Perguntas São o Portão
Pegue as 20 perguntas que você escreveu antes de começar e rode uma por uma. Para cada, avalie três coisas: a resposta é correta (bate com o que a área confirmaria), a resposta cita a fonte certa (documento e trecho existem), e quando não há resposta na base, o assistente diz que não sabe (não inventa).
Meta mínima para publicar: 16 das 20 corretas, 20 das 20 sem invenção. Assistente que inventa uma vez perde a confiança do usuário para sempre — é pior do que assistente que diz "não sei" em 30% dos casos.
Enquanto testa, use o log de execução do Flowise (aparece embaixo do canvas) para inspecionar o que foi recuperado em cada pergunta. Resposta ruim quase sempre tem causa visível no log: trecho errado, trecho ausente, ou trecho certo com prompt frouxo.
Rotina Curta, Toda Semana
Assistente que ninguém mantém envelhece em semanas. A rotina mínima é uma hora por semana no começo, meia hora por semana depois de dois meses:
- Ler 10 conversas recentes (use uma ferramenta de log como o LangSmith ou salve em uma tabela).
- Identificar respostas incorretas ou "não sei" para perguntas que deveriam ter resposta.
- Atualizar o documento fonte ou adicionar um novo — e reindexar a base.
- Ajustar o prompt somente quando o padrão de erro é de comportamento (extrapolação, tom), não de conteúdo.
O assistente melhora pela base que ele consulta, não pelo prompt que você reescreve. Cada hora gasta ajustando prompt para compensar documento ruim é uma hora perdida — o próximo caso vai revelar o mesmo problema em outra forma.
Quer montar seu primeiro assistente de documentos com um roteiro testado?
Em uma conversa mapeamos a base, o caso de uso e desenhamos o fluxo — no Flowise ou na alternativa que serve melhor.
Falar com nossa equipe