Buscamos na base: quem é o aluno deste curso?
Cada documento recuperado é um perfil real de quem nos procura. O trecho citado é o que importa.
6 trechos relevantes em 6 documentos da base · ordenados por similaridade
perfil-01.pdf
trecho 1 · pág. 1
Você tem toneladas de documentos internos e quer um assistente que realmente os conheça
perfil-02.xlsx
trecho 2 · pág. 2
Você já usou ChatGPT mas precisa que a IA responda com os dados específicos da sua empresa
perfil-03.docx
trecho 3 · pág. 3
Você é engenheiro, analista ou cientista de dados que quer dominar a stack RAG de ponta a ponta
perfil-04.md
trecho 4 · pág. 1
Você quer construir chatbots corporativos sem vazar documentos confidenciais para APIs externas
perfil-05.pdf
trecho 5 · pág. 2
Você já tentou plugar PDFs no GPT e os resultados foram imprecisos ou alucinados
perfil-06.xlsx
trecho 6 · pág. 3
Você quer entregar produtos de IA com base em conhecimento proprietário e se destacar no mercado
O curso segue o pipeline de um RAG
Cada módulo é um pedaço indexado da trilha. No fim, a resposta cita os módulos que a sustentam.
- 1IngestãoPDFs, planilhas e páginas
- 2Pedaçoschunking com sobreposição
- 3Embeddingstexto vira vetor
- 4Buscatop-k e reranking
- 5Respostacom a fonte citada
índice: rag 7 pedaços 48 aulas
[1]Fundamentos de RAG e Arquitetura do Pipeline
- O que é Retrieval-Augmented Generation e por que supera o fine-tuning para dados privados
- Componentes do pipeline RAG: ingestão, chunking, embedding, indexação, recuperação e geração
- Limitações do contexto de LLMs e por que RAG resolve o problema de documentos longos
- Panorama de abordagens: RAG naive, RAG avançado e GraphRAG — o mapa do que vem a seguir no curso
[2]Chunking, Embedding e Indexação de Documentos
- Estratégias de chunking: fixed-size, recursive, semantic e parent-document chunker
- Trade-offs de tamanho de chunk: granularidade vs contexto (chunk_size e chunk_overlap)
- Modelos de embedding: text-embedding-3-small, text-embedding-3-large e alternativas open-source, e por que cosine similarity funciona
- Indexando documentos no Chroma DB localmente com LangChain
- Processando PDFs, Word, HTML e CSVs com LangChain document loaders
[3]Retrieval: Estratégias de Busca e Reranking
- Busca por similaridade vetorial (dense retrieval) na prática
- BM25 e busca híbrida: combinando busca léxica e semântica
- Maximum Marginal Relevance (MMR) para diversificar resultados recuperados
- Reranking com Cohere Rerank e cross-encoders para melhorar precisão
[4]Geração: Construindo o Pipeline QA com LangChain
- RetrievalQA chain vs LCEL (LangChain Expression Language): quando usar cada um
- Construindo um chain LCEL com runnable passthrough, retriever e prompt template
- Prompt engineering para sistemas RAG: instrução, contexto e pergunta
- Histórico de conversa em RAG: ConversationalRetrievalChain e memória
- Citação de fontes: forçar o LLM a indicar os trechos usados na resposta
[5]Avaliação de Sistemas RAG com RAGAS
- Avaliação RAG com RAGAS: faithfulness, answer relevancy e context recall
- Construindo golden dataset de perguntas e respostas esperadas para benchmarking
- Debugging de alucinações: quando o LLM ignora o contexto recuperado e como iterar sobre isso
- LangSmith: rastreando e inspecionando cada etapa do pipeline
[6]Técnicas de Ponta: GraphRAG, HyDE e o Panorama Avançado
- HyDE (Hypothetical Document Embeddings): gerando hipóteses de resposta para melhorar retrieval em perguntas complexas
- GraphRAG: por que o RAG vetorial falha em perguntas relacionais e multi-hop, e como um grafo de conhecimento resolve isso
- Construindo um grafo de conhecimento simples no Neo4j a partir de documentos e consultando em linguagem natural
- Panorama avançado: agentes RAG (LangGraph), bancos vetoriais em escala (Pinecone, Weaviate, pgvector) e segurança/governança — controle de acesso, LGPD e alternativas on-premise (Ollama + Llama 3) — o mapa de onde ir depois do curso
[7]Projeto Final: Chatbot RAG sobre Documentos da Empresa
- Definindo escopo: base de conhecimento, casos de uso e critérios de aceitação
- Ingestão de documentos reais: PDFs, manuais, políticas internas e FAQs
- Construindo interface com Streamlit ou Gradio para demonstração
- Testando com perguntas reais e iterando sobre chunking, retrieval e prompts
- Preparando demonstração do protótipo para stakeholders
Resposta gerada · o que você consegue ao final do curso
Construir pipelines RAG completos do zero — chunking, embedding, indexação, retrieval e geração — entregando um chatbot funcional sobre documentos reais, com avaliação via RAGAS e uma introdução prática a técnicas de ponta como GraphRAG e HyDE, pronto para estruturar sistemas de IA que respondem com o conhecimento proprietário da sua empresa
Fontes:[1][2][3][4][5][6][7]
Stack usada neste curso (10)
Por que a Escola Santos Tech
Mais do que um curso — um método
Aula Individual
Só você e o professor — foco total, sem fila de dúvidas.
Horário Flexível
Você define o dia, o horário e a frequência — sua rotina manda.
Reagendamento sem Custo
Precisou faltar? Avisa e remarcamos — sem burocracia, sem penalidade.
Aulas Gravadas a Pedido
Solicite a gravação de qualquer aula e revise quando quiser.
Aula Online se Precisar
Se não puder vir presencialmente, a aula acontece online ao vivo — ou é gravada e enviada.
Certificado de Conclusão
Emitido pela Escola Santos Tech ao fim do curso.
100% Prático
Mão na massa desde a primeira aula.
Trilha Estruturada
Do básico ao projeto final sem lacunas.
Exercícios Contextualizados
Exercícios semanais alinhados ao tópico da sua aula — você pratica exatamente o que acabou de aprender.
Conteúdo Sempre Atualizado
Currículo revisado continuamente para refletir o que o mercado realmente exige hoje.
Quem está do outro lado da mesa
Critério rigoroso de contratação — não contratamos por disponibilidade.
- Competência técnica comprovada nas ferramentas que ensina
- Experiência prática no mercado — não só teoria
- Habilidade pedagógica exigida: não basta saber, precisa saber ensinar
- Atualização contínua com as demandas reais do mercado
O que você recebe ao concluir
Certificado de conclusão do curso, emitido pela Escola Santos Tech.
Mas o que realmente importa é o que você consegue fazer depois. Cada aula é projetada pra entregar habilidade aplicável — o papel prova que você concluiu, a habilidade prova que você aprendeu.
Formato
Como as aulas funcionam
Aula individual
Você não compete atenção com ninguém. O professor é só seu durante toda a aula.
Horário flexível
Segunda a sábado, das 8h às 22h — você agenda o dia e o horário que funcionam pra você.
100% presencial
Ribeirão Preto/SP — Av. Nove de Julho, 1992 · Jardim América.
Investimento
Seu investimento
RAG
48 aulas
Construir pipelines RAG completos do zero — chunking, embedding, indexação, retrieval e geração — entregando um chatbot funcional sobre documentos reais, com avaliação via RAGAS e uma introdução prática a técnicas de ponta como GraphRAG e HyDE, pronto para estruturar sistemas de IA que respondem com o conhecimento proprietário da sua empresa
12x de
R$ 529,00
sem juros no cartão
ou R$ 6.348,00 à vista
Custos únicos — pagos uma vez só
Matrícula
R$ 199,90
Material didático
R$ 389,90
Pix · Crédito em até 12x sem juros · Débito · Boleto · Dinheiro em espécie
Combinações aceitas — entrada no Pix e o restante no crédito, por exemplo. Boleto parcelado de acordo com a duração do seu curso.
Dúvidas frequentes
Perguntas frequentes
Preciso já programar ou trabalhar com dados pra fazer esse curso?
O curso ensina a usar IA sem vazar documentos confidenciais da empresa pra fora?
Quais são os horários de aula?
Quais dias têm aula?
Quanto tempo dura cada aula?
Em quanto tempo termino o curso?
Preciso me matricular em uma turma?
Quanto custa?
Pronto pra começar com RAG — IA com seus Próprios Dados?
Fale com a gente pelo WhatsApp, tire suas dúvidas e descubra qual plano é o certo pra você.
© 2026 Escola Santos Tech — Todos os direitos reservados. ·