AWS Builder Center

RAG na AWS sem servidor e sem código: guia prático com Amazon Bedrock Knowledge Bases e S3

Aprenda a montar um sistema de RAG usando apenas serviços totalmente gerenciados da AWS, pelo console, sem provisionar servidores nem escrever código. O guia cobre arquitetura, chunking, busca híbrida, metadados, segurança e custos, incluindo a nova base de conhecimentos gerenciada do Amazon Bedrock. Antes de publicar, vale conferir tr

RAG na AWS sem servidor e sem código: guia prático com serviços totalmente gerenciados

Introdução

Quando se fala em RAG (Retrieval-Augmented Generation), a imagem que costuma vir à cabeça é um pipeline cheio de peças: scripts para ler documentos, rotinas de divisão em trechos, chamadas a modelos de embeddings, um banco vetorial para hospedar e uma API para orquestrar tudo. Cada peça é um ponto de manutenção, de custo e de falha.
Este artigo mostra o caminho oposto. Vamos montar um sistema de RAG usando apenas serviços totalmente gerenciados da AWS, configurados pelo console, sem provisionar servidores, sem administrar banco vetorial e sem escrever código de aplicação. O foco é entender o que cada serviço faz, como as peças se conectam e quais decisões de configuração realmente importam.

O que é RAG, em poucas linhas

Um modelo de linguagem responde com base no que aprendeu no treinamento. Ele não conhece os documentos internos da sua organização e pode inventar respostas quando não sabe algo (as chamadas alucinações).
O RAG resolve isso em dois passos. Primeiro, a pergunta do usuário é usada para buscar, numa base de conhecimento, os trechos mais relevantes. Segundo, esses trechos são entregues ao modelo junto com a pergunta, e ele gera a resposta com base neles. O resultado é uma resposta fundamentada nos seus documentos, que pode inclusive citar as fontes.
Para isso funcionar, é preciso resolver quatro problemas: guardar os documentos, transformá-los em vetores (embeddings), armazenar e buscar esses vetores, e gerar a resposta final. Na AWS, cada um deles tem um serviço gerenciado correspondente.

A arquitetura em quatro peças

Etapa
Serviço gerenciado
O que ele resolve
Armazenar os documentos
Amazon S3
Guarda os arquivos de origem (PDF, texto, Markdown etc.)
Ingerir, dividir e vetorizar
Amazon Bedrock Knowledge Bases
Lê os documentos, divide em trechos, gera embeddings e sincroniza
Armazenar e buscar vetores
Armazenamento vetorial gerenciado (por exemplo, Amazon S3 Vectors)
Guarda os vetores e faz a busca por similaridade
Gerar a resposta
Modelos de fundação no Amazon Bedrock
Recebe pergunta mais contexto e escreve a resposta com citações
Note o que não aparece na tabela: nenhuma instância EC2, nenhum cluster, nenhum contêiner, nenhuma função para manter. É essa a ideia central.

Uma novidade importante: a base de conhecimentos gerenciada

Em junho de 2026, a AWS anunciou a disponibilidade geral da base de conhecimentos gerenciada do Amazon Bedrock, descrita como um serviço de RAG totalmente gerenciado. A proposta é permitir que equipes criem agentes de IA baseados em dados empresariais sem gerenciar bancos de vetores, pipelines de dados ou infraestrutura de recuperação.
Os pontos mais relevantes do anúncio:
  • Seis conectores nativos de fonte de dados: Amazon S3, SharePoint, Confluence, Google Drive, OneDrive e Web Crawler, com sincronização automática dos dados.
  • Armazenamento vetorial gerenciado, otimizado para a relação preço/performance. Você não escolhe nem administra o banco vetorial.
  • Recuperação avançada: pesquisa híbrida (combinando busca semântica e por palavras-chave), classificação de documentos (reranking) e recuperação por agentes, que planeja a consulta, avalia respostas intermediárias e reclassifica resultados em perguntas complexas de várias etapas.
  • Bases multimodais, que podem abranger texto, vídeo, áudio e imagens.
  • Integração nativa com o Amazon Bedrock AgentCore, com permissões geradas automaticamente e observabilidade integrada.
Um ponto de atenção para quem está no Brasil: na data do anúncio, as regiões listadas eram Norte da Virgínia, Oregon, Sydney, Tóquio, Dublin, Frankfurt, Londres e AWS GovCloud (Oeste dos EUA). A região de São Paulo não constava na lista. Verifique a disponibilidade atual na documentação antes de planejar a sua implantação, e considere requisitos de residência de dados e latência.
O restante deste guia usa o fluxo clássico de Knowledge Bases pelo console, que continua válido e ajuda a entender cada etapa. A lógica de configuração é a mesma que você encontrará na versão gerenciada.

Passo a passo pelo console

Passo 1: habilitar o acesso aos modelos

No console do Amazon Bedrock, confirme que você tem acesso a dois tipos de modelo: um modelo de embeddings, que transforma texto em vetores (a família Amazon Titan Text Embeddings é uma opção comum), e um modelo de geração, que escreve as respostas (por exemplo, um modelo Claude). Sem isso, a base de conhecimentos não consegue vetorizar nem responder.

Passo 2: preparar os documentos no Amazon S3

Crie um bucket e envie seus arquivos. Algumas decisões aqui poupam muita dor de cabeça depois:
  1. Mantenha o acesso público bloqueado. Seus documentos são a fonte da verdade e podem ser sensíveis.
  1. Organize por assunto usando prefixos (pastas). Isso facilita sincronizar apenas uma parte da base e entender de onde veio cada resposta.
  1. Prefira documentos com texto selecionável. PDFs escaneados como imagem rendem resultados piores, a menos que você use um recurso de análise de documentos para extrair o conteúdo.
  1. Dê nomes de arquivo descritivos. Eles aparecem nas citações e ajudam você a auditar as respostas.

Passo 3: criar a base de conhecimentos

No console do Bedrock, vá em Knowledge Bases e crie uma base com armazenamento vetorial. O assistente de criação pede, em sequência:
  1. Nome e permissões. Deixe o serviço criar o papel do IAM (a função de acesso) automaticamente, o que evita erros de permissão.
  1. Fonte de dados. Escolha o Amazon S3 e aponte para o bucket e o prefixo.
  1. Estratégia de divisão em trechos (chunking). Esta é a decisão que mais afeta a qualidade, e tratamos dela em seção própria adiante.
  1. Modelo de embeddings. Escolha o modelo habilitado no passo 1.
  1. Armazenamento vetorial. Use a opção de criação rápida (quick create), com a qual o serviço cria e administra o armazenamento por você. O Amazon S3 Vectors é uma das opções disponíveis nessa criação rápida: é um armazenamento de vetores integrado ao S3, sem infraestrutura adicional para administrar e com custo reduzido.
Ao terminar, a base existe, mas ainda está vazia. Falta sincronizar.

Passo 4: sincronizar a fonte de dados

Na página da base, selecione a fonte de dados e execute a sincronização. É nesse momento que o serviço lê os arquivos, divide em trechos, gera os embeddings e grava os vetores. Sempre que você adicionar, alterar ou remover documentos no S3, rode a sincronização de novo para a base refletir a mudança. A sincronização é incremental: ela processa o que mudou.

Passo 5: testar com o painel do console

A própria página da base tem um painel de teste. Escolha o modelo de geração, faça uma pergunta sobre o conteúdo dos seus documentos e examine duas coisas: a resposta e as citações das fontes. Esse é o seu laboratório de validação. Antes de pensar em qualquer integração, passe um conjunto de perguntas reais por aqui e confira se as respostas fazem sentido.

A decisão que mais importa: como dividir os documentos

O chunking define o tamanho dos pedaços que viram vetores. Um trecho grande demais mistura assuntos e dilui a relevância. Um trecho pequeno demais perde o contexto e entrega frases soltas ao modelo.
As opções típicas do console:
  • Tamanho padrão: boa para começar e para validar rapidamente.
  • Tamanho fixo com sobreposição: você define o tamanho do trecho e uma sobreposição entre trechos vizinhos, para que uma ideia não seja cortada ao meio na fronteira.
  • Divisão hierárquica: cria trechos pequenos para busca precisa, associados a trechos maiores que fornecem contexto ao modelo.
  • Divisão semântica: corta onde o assunto muda, em vez de usar um tamanho fixo.
Uma regra prática: documentos curtos e objetivos (FAQs, avisos) funcionam bem com trechos menores; documentos longos e estruturados (regulamentos, manuais, editais) se beneficiam de divisão hierárquica ou semântica. Teste duas configurações com as mesmas perguntas e compare as respostas, em vez de decidir no escuro.

Busca semântica, busca híbrida e suas limitações

A busca semântica encontra trechos pelo significado. Ela é ótima para perguntas formuladas de maneiras variadas, mas pode falhar com termos exatos, como siglas, números de edital ou códigos de produto.
A busca híbrida combina o significado com a correspondência de palavras-chave e costuma resolver esse problema. Um detalhe a observar: a documentação do S3 Vectors indica que ele oferece busca semântica, sem recursos de busca híbrida. Se o seu conteúdo depende muito de termos exatos, avalie um armazenamento vetorial que suporte busca híbrida, ou a base de conhecimentos gerenciada, que inclui pesquisa híbrida entre os seus recursos de recuperação.
O S3 Vectors também limita os metadados personalizados por vetor (até 1 KB e 35 chaves). Para a maioria dos casos isso basta, mas planeje seus metadados com economia.

Metadados: filtrando antes de buscar

Metadados são informações extras sobre cada documento, como curso, ano, tipo de documento ou departamento. Com eles, é possível restringir a busca antes da comparação de vetores. Em vez de procurar em toda a base, a consulta pode considerar apenas documentos de um determinado ano ou categoria.
No S3, o arquivo de metadados fica ao lado do documento original, com o mesmo nome acrescido de um sufixo próprio indicado na documentação, e contém os pares de chave e valor. Pensar nos metadados desde o início melhora muito a precisão em bases que misturam assuntos parecidos.

Do teste ao uso: entregando a resposta sem escrever código

Aqui está o ponto em que muita gente acha que precisará programar. Existem caminhos gerenciados:
  1. Agentes do Amazon Bedrock pelo console. Você cria um agente, associa a base de conhecimentos e escreve, em linguagem natural, as instruções de como ele deve se comportar (tom, escopo, o que fazer quando não houver informação). O agente consulta a base automaticamente.
  1. Amazon Bedrock AgentCore. A base de conhecimentos gerenciada se integra de forma nativa ao AgentCore, com permissões geradas automaticamente e observabilidade integrada. Há também o recurso de harness gerenciado, que permite criar agentes de forma declarativa, sem código, e que, na época de escrita deste artigo, era tratado em material da comunidade como prévia. Confirme o status atual na documentação.
  1. Ferramentas no-code da AWS para usuários finais. A família Amazon Quick é apresentada pela AWS como um assistente com IA para pesquisa, insights de negócios e criação de aplicações no-code, e pode ser uma opção quando o objetivo é dar acesso a pessoas não técnicas, em vez de construir um produto próprio.
A escolha depende do público. Para validar uma ideia, o painel de teste basta. Para um assistente interno, um agente configurado no console costuma ser suficiente. Para um produto voltado a clientes, vale avaliar com cuidado o que cada serviço permite em termos de personalização da interface.

Segurança e governança sem esforço extra

Serviços gerenciados trazem vantagens de segurança que você não precisa construir:
  • Controle de acesso com IAM. Cada componente usa papéis com permissões mínimas. Deixe o assistente de criação gerar o papel e revise-o depois.
  • Criptografia dos dados em repouso no S3 e no armazenamento vetorial.
  • Amazon Bedrock Guardrails. Permite definir filtros de conteúdo, tópicos proibidos e proteção de dados pessoais nas entradas e saídas do modelo, também por configuração no console.
  • Citações das fontes. Elas tornam as respostas auditáveis: qualquer pessoa pode conferir o trecho que sustentou a resposta.
Uma observação sobre dados sensíveis: o RAG só deve ter acesso ao que o usuário final pode ver. Se a base mistura documentos com níveis de acesso diferentes, use metadados e filtros, ou separe em bases distintas.

Custos: onde o dinheiro realmente vai

Num RAG gerenciado, o custo tem quatro origens principais:
  1. Armazenamento dos documentos (S3) e dos vetores.
  1. Embeddings, cobrados na sincronização, pelo volume de texto processado, e a cada consulta (a pergunta também é vetorizada).
  1. Geração, cobrada por tokens de entrada e saída do modelo escolhido. É normalmente a maior parte da conta, e o contexto recuperado aumenta os tokens de entrada.
  1. Recursos opcionais, como reranking e guardrails.
Para controlar custos: limite o número de trechos recuperados por consulta, escolha o menor modelo de geração que atenda à qualidade exigida, evite ressincronizar a base inteira sem necessidade e use a calculadora de preços da AWS com uma estimativa do volume de perguntas por mês. Confira sempre a página de preços atual, pois valores e modelos mudam.

Armadilhas comuns

  • Julgar o RAG pela primeira resposta. Monte um conjunto de perguntas com respostas esperadas e reavalie a cada mudança de configuração.
  • Documentos desatualizados convivendo com os novos. O RAG responde com o que encontra. Remova ou marque versões antigas.
  • Perguntas que exigem somar ou comparar muitos documentos. A recuperação traz poucos trechos por vez; perguntas de agregação funcionam melhor com recuperação por agentes ou com dados estruturados.
  • Ignorar a região. Serviço, modelos e armazenamento precisam estar disponíveis na mesma região, e a escolha afeta latência e conformidade.
  • Esquecer de sincronizar. Subir um arquivo ao S3 não o coloca na base. A sincronização é um passo explícito.

Quando este caminho não basta

A abordagem sem código cobre muito terreno, mas tem limites. Se você precisa de uma lógica de negócio específica, de uma interface totalmente personalizada, de autenticação própria ou de integração com sistemas legados, será necessário algum desenvolvimento. A boa notícia é que a base de conhecimentos continua sendo a mesma: você pode começar pelo console e depois conectar uma aplicação a ela, sem refazer a parte mais trabalhosa.

Conclusão

Montar um RAG na AWS já não exige administrar servidores, bancos vetoriais ou pipelines de dados. O S3 guarda os documentos, o Bedrock Knowledge Bases cuida de dividir, vetorizar e sincronizar, um armazenamento vetorial gerenciado faz a busca, e um modelo de fundação escreve a resposta com citações. Com a base de conhecimentos gerenciada, lançada em junho de 2026, esse caminho ficou ainda mais enxuto, com conectores nativos, busca híbrida e recuperação por agentes.
O conselho final é começar pequeno: um bucket, uma dúzia de documentos, uma lista de perguntas reais e o painel de teste. Ajuste o chunking, avalie as citações e só depois pense em agentes e integrações. Quem entende bem as decisões de configuração obtém resultados melhores do que quem escreve muito código.

Referências

  • Anúncio da base de conhecimentos gerenciada do Amazon Bedrock (AWS, 17 de junho de 2026)
  • Documentação do Amazon Bedrock Knowledge Bases
  • Documentação do Amazon S3 Vectors com Amazon Bedrock Knowledge Bases
Any opinions in this article are those of the individual author and may not reflect the opinions of AWS.
Enjoyed reading this content? Let the author know!

Your likes, comments, shares, and saves help creators reach more builders.

Loading recommendations

Loading article