Engenheiro publica no Habr como montou um serviço RAG local para a documentação de APIs de CAD

Um engenheiro publicou no Habr um relato sobre como montou um serviço RAG local para trabalhar com a documentação de APIs de sistemas de projeto assistido por computador (CAD). Segundo ele, a iniciativa responde à pressão que os clientes exercem sobre as empresas de engenharia ao cortar orçamentos e prazos de projetos.

Por que a documentação de CAD virou candidata à automação

De acordo com o autor, nos últimos anos a engenharia vive sob o lema "a mesma coisa, só que mais barato e mais rápido": os clientes cortam orçamentos e prazos, e as contratadas procuram quais processos podem ser otimizados. A automação de projetos é uma das primeiras candidatas a esse tipo de otimização. Há muitas operações rotineiras no trabalho de projeto, e boa parte delas pode ser delegada a scripts e pequenos utilitários, em vez de ser executada manualmente por um engenheiro.

• O autor é um engenheiro que construiu sozinho um serviço RAG local para APIs de CAD
• O motivo do projeto são as operações rotineiras de projeto que podem ser delegadas a scripts
• O contexto geral é o corte de orçamentos e prazos por parte dos clientes de serviços de engenharia

O foco está nas APIs dos sistemas de CAD, e não nos desenhos em si. Scripts e utilitários costumam ser escritos para ações repetitivas, como geração de relatórios em massa, verificação de parâmetros contra padrões internos ou processamento de arquivos em lote. São tarefas que o engenheiro executa à mão dezenas de vezes por projeto, mas que são mal remuneradas quando cobradas como trabalho criativo.

O que um RAG local oferece nesse cenário

RAG (retrieval-augmented generation, ou geração aumentada por recuperação) é uma abordagem em que o modelo, antes de responder, busca trechos relevantes em sua própria base de documentos, em vez de depender apenas do que memorizou no treinamento. Para documentação de APIs de CAD, isso faz bastante sentido: essas APIs costumam ser descritas em manuais extensos, fragmentados e atualizados com frequência. Já a implantação local permite manter dados de engenharia sensíveis e documentação proprietária dentro do perímetro da empresa, sem enviá-los a serviços de nuvem externos.

Por isso o autor optou por uma solução local, e não por um assistente de IA pronto na nuvem. Com dados de engenharia, a confidencialidade muitas vezes pesa mais do que a facilidade de configuração, e consultar a versão atual da documentação da API é crítico, já que os sistemas de CAD mudam interfaces e métodos com frequência. Rodar tudo "em casa", sem enviar consultas a um serviço externo, também elimina a dúvida sobre para onde vazam as formulações de especificações técnicas internas e trechos da documentação fechada do fornecedor.

Quais dificuldades esse tipo de projeto costuma enfrentar

Documentação técnica de API é um material pouco amigável para um pipeline RAG clássico. Ela traz muitas tabelas de parâmetros, referências cruzadas a outras seções, marcações de versão e terminologia específica de cada plataforma de CAD, o que dificulta a divisão em chunks pelos métodos padrão. Quem desenvolve serviços desse tipo geralmente precisa planejar à parte como dividir os documentos em blocos com sentido, como atualizar o índice a cada nova versão da API e como garantir que o modelo não confunda métodos com nomes parecidos, mas comportamentos diferentes. É um trabalho manual e minucioso, que normalmente não aparece no resultado final, mas consome boa parte do tempo de um projeto assim.

O que isso significa

O caso reflete uma tendência mais ampla: enquanto grandes fornecedores lançam assistentes de IA genéricos, engenheiros individuais e equipes pequenas montam cada vez mais ferramentas RAG locais e altamente especializadas para rotinas específicas, como lidar com documentação, operações padronizadas e normas internas. Em organizações de engenharia e projetos, onde importam a confidencialidade dos desenhos e a correspondência exata com a versão da API, uma ferramenta local caseira desse tipo muitas vezes se mostra mais prática do que conectar um serviço de IA externo na nuvem a toda a base de documentação da empresa.