Implementação de um Workflow Multiagentes para Recuperação de Informação Organizacional
DOI:
https://doi.org/10.5753/reic.2026.7184Keywords:
RAG, LLM, Multiagente, Recuperação de ConhecimentoAbstract
Este artigo propõe um sistema multiagente baseado em Geração Aumentada por Recuperação (RAG) para apoiar a gestão do conhecimento em ambientes corporativos. A solução combina a recuperação semântica de documentos com a geração de respostas utilizando grandes modelos de linguagem (LLMs), permitindo um acesso rápido e contextualizado às informações organizacionais. Ao empregar agentes especializados em domínios e uma arquitetura de orquestração inteligente, o sistema fornece respostas precisas e adaptadas a diferentes níveis de tomada de decisão. Essa abordagem visa superar os desafios impostos pela fragmentação e pelo volume de documentos institucionais, promovendo escalabilidade, modularidade e eficiência na recuperação interna de conhecimento.
Downloads
Referências
Ackoff, R. L. (1989). From data to wisdom. Journal of applied systems analysis, 16(1):3–9. Disponível em: [link].
Davenport, T. H. and Prusak, L. (2002). Conhecimento empresarial: como as organizações gerenciam o seu capital intelectual. Campus, Rio de Janeiro, 6 edition.
Hong, S., Zhuge, M., Chen, J., Zheng, X., Cheng, Y., Zhang, C., Wang, J., Wang, Z., Yau, S. K. S., Lin, Z., Zhou, L., Ran, C., Xiao, L., Wu, C., and Schmidhuber, J. (2024). MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework. Disponível em: [link].
Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., et al. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Transactions on Information Systems, 43(2):1–55. DOI: 10.1145/3703155.
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., et al. (2020). Retrieval-augmented generation for knowledge-intensive nlp tasks. Advances in neural information processing systems, 33:9459–9474. Disponível em: [link].
Li, H., Su, Y., Cai, D., Wang, Y., and Liu, L. (2022). A Survey on Retrieval-Augmented Text Generation. Disponível em: [link].
Maldonado, D., Cruz, E., Torres, J. A., Cruz, P. J., and Benitez, S. d. P. G. (2024). Multi-agent systems: A survey about its components, framework and workflow. IEEE Access, 12:80950–80975. DOI: 10.1109/ACCESS.2024.3409051.
Nguyen, T., Chin, P., and Tai, Y.-W. (2025). Ma-rag: Multi-agent retrieval-augmented generation via collaborative chain-of-thought reasoning. arXiv preprint arXiv:2505.20096. DOI: 10.48550/arXiv.2505.20096.
Qian, C., Liu, W., Liu, H., Chen, N., Dang, Y., Li, J., Yang, C., Chen, W., Su, Y., Cong, X., Xu, J., Li, D., Liu, Z., and Sun, M. (2024). ChatDev: Communicative agents for software development. In Ku, L.-W., Martins, A., and Srikumar, V., editors, Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 15174–15186, Bangkok, Thailand. Association for Computational Linguistics. DOI: 10.18653/v1/2024.acl-long.810.
Silva, E., Santos, F., Thompson, P., and Reis, J. (2025). Llm-powered conversational multi-agent cognitive system for collaborative task solving. In Anais do XIX Workshop-Escola de Sistemas de Agentes, seus Ambientes e Aplicações, pages 59–70, Porto Alegre, RS, Brasil. SBC. DOI: 10.5753/wesaac.2025.37528.
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., Zhou, D., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 35:24824–24837. Disponível em: [link].
Wooldridge, M. (2009). An Introduction to MultiAgent Systems. Wiley.
Wu, Q., Bansal, G., Zhang, J., Wu, Y., Li, B., Zhu, E., Jiang, L., Zhang, X., Zhang, S., Liu, J., et al. (2024). Autogen: Enabling next-gen llm applications via multi-agent conversations. In First conference on language modeling. Disponível em: [link].
Yang, Z., Qi, P., Zhang, S., Bengio, Y., Cohen, W., Salakhutdinov, R., and Manning, C. D. (2018). HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering. In Proceedings of the 2018 conference on empirical methods in natural language processing, pages 2369–2380. DOI: 10.18653/v1/D18-1259.
Yao, Y., Zeng, Y., Zhong, N., and Huang, X. (2007). Knowledge Retrieval (KR). In IEEE/WIC/ACM International Conference on Web Intelligence (WI’07), pages 729–735. IEEE. DOI: 10.1109/WI.2007.113.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
