RAG em Go com Gemini File Search: sem banco vetorial, duas chamadas

O que é RAG e por que normalmente e complexo

RAG (Retrieval-Augmented Generation) e a técnica de fornecer documentos ou dados relevantes a um LLM antes de fazer uma pergunta, para que ele responda com base nessas informações específicas em vez de apenas seu conhecimento de treinamento. E o padrão mais usado para criar chatbots sobre documentação própria, bases de conhecimento e sistemas de busca inteligente.

O problema e que a implementação clássica de RAG tem varias pecas moveis: você precisa de um banco de dados vetorial (Pinecone, Weaviate, pgvector), um modelo de embeddings para converter documentos em vetores, uma pipeline de indexação para processar e armazenar os documentos, e lógica de busca por similaridade para recuperar os trechos relevantes antes de chamar o LLM.

Isso funciona, mas e muito para configurar antes de ter qualquer valor. Para projetos menores, prototipação ou casos onde a escalabilidade extrema não e necessária, toda essa infraestrutura e overhead puro. O Gemini File Search da Google resolve esse problema com uma abordagem radicalmente mais simples.

Como o Gemini File Search funciona

O Gemini File Search e uma funcionalidade da API do Gemini que permite fazer upload de arquivos para um store hospedado pela Google e depois referenciar esses arquivos diretamente em requisições de chat. O modelo faz a busca e recuperação internamente, sem você precisar implementar embeddings ou banco vetorial.

O fluxo básico tem dois passos: primeiro você faz upload do documento para o Files API da Google, que retorna um identificador do arquivo. Depois você passa esse identificador junto com sua pergunta numa chamada normal ao Gemini. O modelo busca as partes relevantes do documento e usa como contexto para responder.

Isso elimina vários passos do pipeline clássico. Não ha indexação separada, não ha banco de dados para manter, não ha modelo de embedding para escolher e hospedar. O tradeoff e que você tem menos controle sobre como a busca e feita e os arquivos ficam no store da Google com um período de retenção limitado.

Principais recursos do Gemini File Search com Go

A SDK oficial do Google para Go suporta o Files API nativamente. Você pode fazer upload de PDFs, texto plano, código-fonte, CSVs e outros formatos. O modelo aceita múltiplos arquivos numa mesma chamada, então você pode combinar vários documentos e perguntar sobre o conjunto.

O modelo Gemini 2.0 Flash, que é gratuito no tier básico, já tem contexto suficiente para documentos médios. Para documentos muito grandes (acima de 100 páginas de PDF), o modelo processa trechos relevantes automaticamente. Para busca semântica mais precisa em volumes grandes, ainda faz sentido investir num banco vetorial, mas para casos comuns o File Search resolve bem.

O upload e assíncrono: você envia o arquivo e pode usar o identificador resultante imediatamente em chamadas de chat. Não ha passo separado de processamento ou indexação que você precise aguardar explicitamente.

Como começar: instalação e configuração em Go

Você precisa de uma conta Google Cloud com a API Generative Language habilitada e uma chave de API. O SDK Go esta disponível no pacote oficial.

# Inicialize seu módulo Go
go mod init meu-rag

# Adicione a dependência do SDK Gemini
go get google.golang.org/genai

Configure a chave de API como variável de ambiente:

export GEMINI_API_KEY="sua-chave-aqui"

Para obter a chave, acesse o Google AI Studio (aistudio.google.com), crie um projeto e gere uma chave de API. O tier gratuito tem limites generosos para desenvolvimento e prototipação.

Exemplo prático: RAG em 50 linhas de Go

Abaixo um exemplo completo que faz upload de um arquivo de texto e responde perguntas sobre ele:

package main

import (
    "context"
    "fmt"
    "log"
    "os"

    "google.golang.org/genai"
)

func main() {
    ctx := context.Background()
    client, err := genai.NewClient(ctx, &genai.ClientConfig{
        APIKey:  os.Getenv("GEMINI_API_KEY"),
        Backend: genai.BackendGeminiAPI,
    })
    if err != nil {
        log.Fatal(err)
    }
    defer client.Close()

    // Passo 1: upload do documento
    file, err := client.Files.UploadFromPath(
        ctx,
        "documentação.txt",
        &genai.UploadFileConfig{
            MIMEType:    "text/plain",
            DisplayName: "Documentação do projeto",
        },
    )
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println("Arquivo enviado:", file.URI)

    // Passo 2: pergunta com referência ao arquivo
    result, err := client.Models.GenerateContent(
        ctx,
        "gemini-2.0-flash",
        genai.Text("Com base no documento, como funciona o sistema de autenticação?"),
        &genai.GenerateContentConfig{
            SystemInstruction: genai.NewUserContent(
                genai.Text("Responda apenas com base no documento fornecido."),
            ),
        },
    )
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(result.Text())
}

O parâmetro de referência ao arquivo vai no conteúdo da mensagem junto com o texto. O modelo automaticamente busca as partes relevantes antes de gerar a resposta.

Comparação com outras abordagens de RAG

Gemini File Search: duas chamadas de API, sem infraestrutura própria, ideal para prototipação e projetos menores. Limitado a formatos suportados pela API e com retenção temporal dos arquivos.

pgvector + PostgreSQL: banco vetorial dentro do seu Postgres existente. Bom se você já usa Postgres e não quer dependência externa. Requer gerenciamento de embeddings, mas a infraestrutura já existe.

Pinecone / Weaviate: bancos vetoriais dedicados, melhores para escalabilidade e volumes grandes. Mais caro e mais complexo de operar, mas necessário para bilhões de documentos ou latência muito baixa.

LlamaIndex / LangChain em Python: frameworks que abstraem toda a pipeline de RAG e suportam dezenas de backends. Muito poderosos, mas adicionam uma camada de abstração e dependência que nem sempre compensa em projetos simples.

Pontos positivos e limitações do File Search

A maior vantagem e a simplicidade operacional. Não ha banco de dados para manter, sem pipeline de indexação para monitorar, sem modelo de embedding para versionar. Para uma equipe pequena ou um desenvolvedor solo, isso é um ganho real de velocidade.

As limitações são claras. O período de retenção de 48 horas exige lógica de re-upload para uso continuo. Você não tem controle sobre a estratégia de busca - o que funciona bem para a maioria dos casos, mas pode ser limitante se você precisa de busca por metadados específicos ou filtros complexos.

O custo também muda conforme o volume. Para projetos pequenos o tier gratuito basta. Para volumes altos de chamadas ou documentos grandes, o custo da API pode superar o de um banco vetorial próprio. Vale fazer a conta antes de escolher.

Casos de uso reais

Bot de documentação interna: você tem PDFs e markdowns de documentação técnica e quer um chatbot que responda perguntas sobre eles. Com File Search, você faz upload dos arquivos uma vez e integra com um chat interno em poucas horas.

Análise de contratos e documentos: um escritório ou empresa precisa fazer perguntas sobre contratos específicos. Upload do contrato, perguntas em linguagem natural, resposta com citações do documento. Simples e rápido de implementar.

Prototipo rápido de produto: antes de investir em infra de banco vetorial, você pode validar a hipótese do produto com File Search. Se o conceito funcionar, ai vale investir numa solução mais robusta.

Ferramentas de CLI para devs: imagine um comando que você passa um arquivo de log e pergunta em linguagem natural o que esta errado. Duas chamadas de API, zero infraestrutura extra, muito valor para o desenvolvedor.

Dicas e boas práticas

Vale a pena?

Sim, para o caso de uso certo. Se você quer RAG simples, rápido e sem infra, o Gemini File Search com Go e uma das melhores opcoes disponíveis hoje. A combinação de Go (rápido, estaticamente tipado, ótimo para ferramentas e serviços) com o File Search (zero infra, duas chamadas) e muito produtiva para projetos que precisam de valor rápido.

O próximo passo: instale o SDK, pegue uma chave gratuita no AI Studio e implemente o exemplo acima com um documento seu. Em menos de uma hora você tem RAG funcionando sem nenhuma infra adicional.