Source: http://localhost:1313/pt-br/learn/teaching-agents/preparing-documents-for-knowledge.html Um colega de suporte recebe uma pasta contendo o manual da Trail Lamp, uma planilha de garantia e fotografias da embalagem. A pasta contém conhecimento útil, mas entregá‑la não é o mesmo que torná‑lo fácil de usar. Títulos de página repetidos interrompem frases. Células da planilha dependem de rótulos de coluna. Uma fotografia pode conter um aviso que nunca aparece no manual. Preparar documentos significa transformar essas fontes em material preciso e compreensível que um agente possa buscar. O objetivo não é fazer todo arquivo parecer idêntico. É preservar o significado enquanto remove obstáculos para encontrar e interpretar. Mantenha os originais: uma cópia limpa deve permanecer rastreável à evidência de onde provém. ## Comece com um caminho de preparação **Ingestão** é o processo de trazer material de origem para um sistema de conhecimento. Pode envolver extração, limpeza, segmentação e indexação. **Indexação** prepara o material para busca. São tarefas separadas: fazer upload de um arquivo com sucesso não prova que seu conteúdo foi lido corretamente ou que passagens úteis são pesquisáveis. Fonte aprovada → Converter e limpar → Dividir por significado → Rotular e revisar → Indexar e testar Comece com uma amostra pequena e representativa em vez de todo o arquivo. Inclua um documento simples e um difícil, como uma folha de garantia escaneada. Decida quais perguntas o agente deve responder de cada fonte. Essas perguntas se tornam verificações práticas: o texto preparado ainda pode explicar se a bateria da Trail Lamp está coberta, incluindo exceções? 1. **Confirmar a fonte** Verifique propriedade, aprovação, atualidade e permissão para usar o conteúdo. Mantenha uma referência ao original e identifique qual versão é autoritária. 2. **Inspecionar o texto extraído** Leia o resultado convertido ao lado do original. Verifique títulos, ordem de leitura, tabelas e avisos antes de torná‑lo pesquisável. 3. **Preparar unidades de conhecimento completas** Separe tópicos não relacionados, retenha condições necessárias e anexe rótulos úteis a cada passagem. 4. **Testar perguntas representativas** Busque fatos, exceções e paráfrases comuns. Revise as passagens retornadas, não apenas a resposta final. ## Limpar ruído sem excluir significado **Boilerplate** é texto padrão repetido, como um menu de navegação ou um slogan promocional. Cabeçalhos e rodapés costumam repetir o nome da empresa em cada página. Remover esse ruído pode tornar os parágrafos mais fáceis de ler e reduzir correspondências de busca irrelevantes. Corrija palavras quebradas, quebras de linha acidentais e parágrafos duplicados quando o original deixa o texto pretendido claro. Não remova automaticamente toda linha repetida. Um rodapé pode identificar a data de vigência, versão do produto ou restrição de confidencialidade. Preserve essa informação em local adequado antes de remover cópias repetidas. Um aviso de segurança repetido ao lado de vários procedimentos pode ser essencial em cada procedimento, não uma decoração descartável. Mantenha a limpeza distinta da reescrita de política. Se a fonte diz que uma falha na bateria requer inspeção, substituir isso por “baterias defeituosas são cobertas” altera a regra. Da mesma forma, uma frase pouco clara não autoriza adivinhações. Sinalize ambiguidade para o proprietário do documento, a pessoa responsável por manter a fonte precisa, e mantenha interpretações não aprovadas fora do conhecimento publicado. ## Converter o formato, preservar os relacionamentos **Extração** transforma informações de uma fonte em texto ou outra representação utilizável. Alguns PDFs contêm texto selecionável; outros contêm imagens de página. **Reconhecimento óptico de caracteres**, geralmente chamado OCR, reconhece letras em imagens. OCR pode ler incorretamente texto pequeno, pontuação e números, portanto, uma saída aparentemente fluente ainda precisa ser verificada contra a fonte. - **Documentos PDF** — Verifique a ordem das páginas, colunas e notas de rodapé. Uma frase de uma coluna vizinha não deve se tornar parte da regra de garantia. - **Slides de apresentação** — Mantenha títulos de slides e notas explicativas juntos. Um ponto curto pode depender de um diagrama ou da explicação do apresentador. - **Planilhas** — Transfira cabeçalhos de coluna, unidades e nomes de planilhas relevantes para o texto. Um valor de célula sem seu produto e condição não é um fato completo. - **Imagens** — Use OCR para texto escrito e descrições para relacionamentos visuais. Preserve a incerteza quando um rótulo ou símbolo não puder ser lido de forma confiável. Para slides, “Extended coverage” sob uma foto de produto pode não explicar o que está coberto ou para quem. Obtenha uma explicação aprovada em vez de gerar política faltante a partir da imagem. Para planilhas, preserve a diferença entre um resultado exibido e a fórmula usada para calculá‑lo. Uma passagem preparada deve nomear o produto, a medida e quaisquer condições, em vez de listar células desconexas. Uma **descrição de mídia** expressa informações visuais ou auditivas em palavras. Pode explicar que um diagrama coloca a porta de carregamento sob uma capa protetora, algo que o OCR sozinho pode perder. Descrições são interpretações, não cópias perfeitas. Verifique detalhes consequentes como rótulos de conectores e símbolos de segurança, e não infira um recurso invisível a partir de um produto familiar. Relacionado: no AIVAX, [Fetch and OCR](http://localhost:1313/pt-br/docs/web-foundation/fetch-and-ocr.md) extrai conteúdo legível, enquanto [Media Descriptions](http://localhost:1313/pt-br/docs/generations/media-descriptions.md) cria descrições reutilizáveis. [Media Injector](http://localhost:1313/pt-br/docs/rag/media-injector.md) processa mídia suportada em documentos de coleção. Escolha o caminho documentado para o tipo de fonte; converter slides ou planilhas pode exigir preparação fora desse fluxo de importação de mídia. ## Dividir por significado, não apenas por comprimento Um **fragmento** é uma passagem armazenada ou tratada como uma unidade pesquisável. **Segmentação** divide textos mais longos nessas unidades. Imagine substituir uma pasta grande por cartões de referência rotulados: cada cartão deve cobrir um tópico útil sem enviar o leitor a outro cartão apenas para entender seu assunto. Comece com limites naturais, como títulos, respostas completas e seções de procedimento. Mantenha uma regra com suas condições e exceções. Retenha o nome do produto quando uma passagem de outra começasse com “este dispositivo”. Se a fonte já consiste em respostas curtas e autônomas, divisão adicional pode criar trabalho sem melhorar a recuperação. **Fragmento grande demais** Uma única passagem da Trail Lamp contém instruções de carregamento, regras de garantia, descarte de embalagem e todo o catálogo de acessórios. Uma pergunta sobre cobertura de bateria traz uma grande quantidade de material não relacionado, dificultando a identificação da exceção importante. **Tamanho adequado para a pergunta** Uma passagem chamada “Garantia da bateria da Trail Lamp” contém a regra de cobertura, requisito de inspeção e exclusões da fonte aprovada. A passagem permanece focada enquanto preserva as condições necessárias para responder com precisão. Fragmentos muito pequenos também são um problema. “Requer inspeção” não é útil sozinho se o produto e a falha relevante aparecerem em outra passagem. **Sobreposição** significa repetir algum texto entre fragmentos vizinhos para preservar a continuidade. Pode ajudar nos limites, mas sobreposição excessiva produz resultados duplicados e mais manutenção. Prefira estrutura sensata antes de adicionar texto repetido. No AIVAX, [Text Segmentation](http://localhost:1313/pt-br/docs/rag/text-segmentation.md) devolve segmentos de texto coerentes para revisão e uso posterior. A segmentação em si não armazena os documentos enviados nem cria o índice de busca. Revise o que o processo produziu antes de tratá‑lo como conhecimento concluído. ## Adicionar rótulos que possibilitem a manutenção **Metadados** são informações sobre o conteúdo, não o conteúdo em si. Exemplos úteis incluem o proprietário do documento, produto, referência da fonte, data de vigência e data de revisão. Distinga essas datas: fazer upload de um manual antigo hoje não torna sua política atual. Quando as passagens são separadas, carregue os metadados relevantes com elas para que sua identidade não se perca. **Classificação** atribui conteúdo a categorias, como garantia, configuração ou segurança. Categorias ajudam as pessoas a organizar o material e podem suportar seleção de busca. Defina o que cada categoria significa e como lidar com uma passagem que se encaixa em mais de uma. Revise atribuições incertas em vez de forçar todo documento a um rótulo enganoso. No AIVAX, essa capacidade é chamada [Document Classification](http://localhost:1313/pt-br/docs/rag/classification.md). Rótulos não impõem permissões automaticamente. Um rótulo “interno” só protege um documento se regras de aplicação confiáveis o usarem para restringir acesso. Da mesma forma, um rótulo de produto não pode corrigir uma passagem que mistura silenciosamente vários produtos. Combine texto preciso, metadados corretos e controles de acesso reais. Antes de publicar, teste uma pergunta rotineira, uma exceção e uma pergunta que a fonte não pode responder. Confirme que o material preparado apoia os primeiros casos sem incentivar adivinhações no último. Quando uma fonte mudar, substitua ou retire suas passagens desatualizadas; caso contrário, a nova versão limpa pode competir com a antiga. O que vem a seguir: combinar conhecimento durável com fatos que mudam durante uma conversa em [Dynamic context](http://localhost:1313/pt-br/learn/teaching-agents/dynamic-context.md). **Verifique seu conhecimento.** Qual é a maneira mais segura de preparar um documento de garantia para recuperação? 1. Remover toda linha repetida, incluindo datas e avisos 2. Dividir cada documento nos menores fragmentos possíveis 3. Preservar regras e exceções completas, anexar metadados da fonte e verificar o resultado contra o original 4. Tratar um upload bem‑sucedido como prova de que todos os fatos são pesquisáveis Answer: option 3. Uma preparação útil preserva significado e rastreabilidade. Limpeza, conversão e segmentação precisam de revisão porque cada uma pode perder informações mesmo quando o processamento tem sucesso.