Auditor Fiscal de Controle Externo - Ciências da Computação, Sistemas de Informação, Engenharia de Computação e Engenharia de Software
O TCE-SC está a implementar um assistente virtual para auxiliar os auditores na consulta de normas jurídicas complexas. Para evitar alucinações do modelo de linguagem (LLM) e garantir que as respostas sejam baseadas estritamente no repositório de resoluções do Tribunal, a equipe técnica optou pela arquitetura Retrieval-Augmented Generation (RAG).No fluxo de funcionamento de um sistema RAG, o papel fundamental do Vector Database é
Aarmazenar as representações matemáticas dos documentos para permitir a busca por similaridade semântica.
Brealizar a tradução juramentada dos termos técnicos para linguagem natural.
Carmazenar o código-fonte do modelo pré-treinado para ajuste fino.
Dsubstituir completamente o LLM na geração do texto final da resposta.
Egerir o histórico de conversas do usuário em formato de texto estruturado JSON.
Revelar gabarito e comentário▾
GabaritoA — armazenar as representações matemáticas dos documentos para permitir a busca por similaridade semântica.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Gabarito: letra A. O Vector Database armazena representações matemáticas (embeddings) dos documentos, permitindo busca por similaridade semântica – exatamente o que a alternativa descreve. Essa arquitetura é essencial para evitar alucinações, pois as respostas do LLM são baseadas apenas nos documentos recuperados.
A questão exige o conhecimento do papel de cada componente no fluxo RAG:
Retriever: busca documentos relevantes em um banco vetorial.
Vector Database: guarda os embeddings (vetores numéricos) gerados a partir dos textos, possibilitando a recuperação por proximidade semântica.
LLM: gera a resposta final combinando a consulta original com os documentos recuperados.
1Consulta do usuário
2Retriever busca no Vector DB
3LLM gera resposta com contexto
4Resposta final
LEVEL · soulevel.com.br
Alternativa A — ✅ Correta ⟵ GABARITO
A definição está precisa: o Vector Database armazena as representações matemáticas (embeddings) e viabiliza a busca por similaridade semântica. Sem ele, o sistema não conseguiria recuperar trechos relevantes de forma eficiente.
Alternativa B — ❌ Incorreta
O sistema RAG não realiza tradução juramentada de termos técnicos. Essa função seria de um serviço de tradução especializado, não de um componente de busca vetorial.
Alternativa C — ❌ Incorreta
Armazenar o código-fonte do modelo pré-treinado para ajuste fino é tarefa de um repositório de modelos (ex.: Hugging Face) ou de um sistema de versionamento, não do Vector Database. O ajuste fino (fine-tuning) é um processo separado, que modifica os pesos do modelo.
Alternativa D — ❌ Incorreta
O Vector Database não substitui o LLM; ele o complementa. O LLM continua sendo o gerador da resposta final, utilizando os documentos recuperados como contexto. Substituir o LLM eliminaria a capacidade de compreensão e geração de linguagem natural.
Alternativa E — ❌ Incorreta
Gerenciar o histórico de conversas em formato JSON é responsabilidade de um banco de dados de sessão ou de um módulo de memória do sistema. O Vector Database lida com embeddings de documentos, não com logs de interação do usuário.
PEGA ESSA DICA!
Para gravar o papel de cada peça no RAG, lembre-se: Vector Database = memória semântica dos documentos; LLM = cérebro que articula a resposta; Retriever = bibliotecário que busca os livros certos. Na prova, o distrator mais comum é trocar a função do Vector Database pela de um banco de dados relacional ou de um sistema de memória de sessão.