Um Framework RAG com Auditoria Híbrida de SKUs para Mitigar a Obsolescência Informacional em Suporte Técnico

• Daniel Youssef de H. Lopes UFSM https://orcid.org/0009-0006-4189-3812
• Gabriel M. Lunardi UFSM https://orcid.org/0000-0001-6655-184X
• Adriano Q. de Oliveira UFSM https://orcid.org/0000-0003-3257-4984

DOI: https://doi.org/10.5753/semish.2026.23815

Resumo

Modelos de Linguagem de Grande Escala (LLMs) frequentemente recuperam especificações ou drivers desatualizados em domínios de suporte técnico, comprometendo a confiabilidade do sistema. Este artigo propõe um framework de RAG Temporal que integra um algoritmo de decaimento linear (LinearV3) para relevância de documentos e um protocolo de auditoria híbrida (V8) baseado em raciocínio lógico de série. Resultados experimentais utilizando o framework DeepEval demonstram que o sistema proposto supera o limiar de segurança e atinge 89% de precisão contextual em cenários de hardware onde modelos RAG convencionais falham, garantindo fidelidade técnica através de ancoragem documental estrita.

Referências

Chu, C., Jeong, Y., Cho, H., Kim, J., Lee, J., Bang, B., Lee, J., Song, U., and Kim, S. B. (2026). Cats-rag: Contextual augmented triplet synthesis for rag in technical qa. Expert Systems with Applications, page 131491.

Gade, A. and Jetcheva, J. (2024). It’s about time: Incorporating temporality in retrieval augmented language models.

Han, J., Cheung, A., Wei, Y., Yu, Z., Wang, X., Zhu, B., and Yang, Y. (2025). Rag meets temporal graphs: Time-sensitive modeling and retrieval for evolving knowledge.

Hill, A. (2026). Retrieval-augmented generation for enterprise search: A comparative user study of rag-based and bm25-based information retrieval systems.

Ip, J. and Vongthongsri, K. (2026). deepeval. Open-source LLM evaluation framework. Source code available at: [link].

Meta (2024). Llama 3.2 3B Instruct Model Card. [link].

Microsoft (2024). Phi-3.5 technical report: A highly capable language model.

Ouyang, J., Pan, T., Cheng, M., Yan, R., Luo, Y., Lin, J., and Liu, Q. (2025). Hoh: A dynamic benchmark for evaluating the impact of outdated information on retrieval-augmented generation.

Park, S. (2021). Quality management practices of dell and hp.

Piryani, B., Abdallah, A., Mozafari, J., Anand, A., and Jatowt, A. (2025). It’s high time: A survey of temporal question answering.

Sarmah, B., Li, M., Lyu, J., Frank, S., Castellanos, N., Pasquali, S., and Mehta, D. (2024). How to choose a threshold for an evaluation metric for large language models.

Wang, L., Yang, N., Huang, X., Yang, L., Majumder, R., and Wei, F. (2024). Improving text embeddings with large language models.

Yang, A., Li, A., Yang, B., Zhang, B., Hui, B., Zheng, B., Yu, B., Gao, C., Huang, C., Lv, C., Zheng, C., Liu, D., Zhou, F., Huang, F., Hu, F., Ge, H., Wei, H., Lin, H., Tang, J., Yang, J., Tu, J., Zhang, J., Yang, J., Yang, J., Zhou, J., Zhou, J., Lin, J., Dang, K., Bao, K., Yang, K., Yu, L., Deng, L., Li, M., Xue, M., Li, M., Zhang, P., Wang, P., Zhu, Q., Men, R., Gao, R., Liu, S., Luo, S., Li, T., Tang, T., Yin, W., Ren, X., Wang, X., Zhang, X., Ren, X., Fan, Y., Su, Y., Zhang, Y., Zhang, Y., Wan, Y., Liu, Y., Wang, Z., Cui, Z., Zhang, Z., Zhou, Z., and Qiu, Z. (2025). Qwen3 technical report. arXiv preprint arXiv:2505.09388.