RAG no WordPress conecta um modelo de linguagem ao seu próprio conteúdo, gerando respostas com fonte em vez de alucinação. Segundo o Google Search Central (2025), AI Overviews usam query fan-out, disparando várias buscas relacionadas. O ganho exige chunks de 300 a 500 tokens e reindexação. Comece indexando os posts em embeddings antes de qualquer prompt.

RAG no WordPress é a técnica de recuperar trechos do seu próprio conteúdo e injetá-los no prompt de um modelo de linguagem antes de gerar a resposta. Em vez de o modelo inventar, ele responde ancorado nos seus posts, páginas e documentos. A sigla vem de Retrieval-Augmented Generation: recuperação por busca vetorial, mais geração pelo LLM. No WordPress isso resolve um problema concreto, o assistente que responde sobre o seu negócio com a informação certa, e não com o conhecimento genérico do modelo. Este guia mostra como montar RAG no WordPress em cinco passos, do índice de embeddings ao endpoint de resposta, com as ferramentas reais e os custos que a gente vê no suporte da FULL. Para o mapa completo do tema, veja o hub de conteúdos de IA e WordPress da FULL.

Visão geral: As 5 camadas do RAG no WordPress

Montar RAG no WordPress exige cinco camadas em ordem: extração, embeddings, armazenamento vetorial, recuperação e geração. Pular a camada de armazenamento é o erro mais comum nos tickets que chegam na FULL, porque sem um índice vetorial persistente cada pergunta reprocessa o site inteiro e o custo de API dispara.

A tabela abaixo organiza as cinco etapas, o objetivo de cada uma e o check que confirma que ela funcionou antes de avançar. Trate essa sequência como uma cadeia: o resultado de uma etapa é a entrada da próxima, e validar antes de seguir economiza horas de retrabalho. Em média, uma primeira montagem leva de 2 a 4 horas com plugin pronto. A parte que mais custa não é o código, é decidir o tamanho do chunk e a frequência de reindexação, dois parâmetros que definem precisão e fatura mensal.

Legenda: a recuperação acontece antes da geração, é por isso que a resposta sai ancorada na fonte.

Passo a passo: Como montar RAG no WordPress

Cada passo de RAG no WordPress depende do anterior: sem embeddings não há o que recuperar, e sem recuperação a geração volta a alucinar. Os cinco passos abaixo levam de 2 a 4 horas numa montagem com plugin. A ordem importa: indexar antes, conectar o modelo depois.

Passo 1: Extraia e fragmente o conteúdo em chunks

Fragmentar é a primeira tarefa porque o LLM tem limite de contexto e o vetor de um post inteiro perde precisão. Quebre cada post em pedaços de 300 a 500 tokens, com 10% de sobreposição entre eles para não cortar uma ideia no meio. Use o hook save_post para fragmentar só o post recém-salvo, em vez de varrer o banco a cada publicação. Um site com 500 posts gera entre 2.000 e 4.000 chunks. Esse é o material que vira vetor no próximo passo.

Passo 2: Gere os embeddings com a API certa

Gerar embeddings transforma cada chunk de texto em um vetor numérico que o computador compara por similaridade. O modelo text-embedding-3-small da OpenAI custa cerca de US$0,02 por milhão de tokens e entrega 1.536 dimensões, suficiente para conteúdo de blog. Envie os chunks em lotes de 100 para a API, respeitando o rate limit. O passo a passo oficial está na documentação da OpenAI, que detalha o limite de tokens por requisição e o formato de resposta.

Passo 3: Armazene os vetores num índice persistente

Persistir os vetores é o que separa um protótipo de um RAG no WordPress que aguenta produção. Grave os embeddings em pgvector, uma extensão do PostgreSQL, ou num serviço gerenciado como Pinecone, que indexa milhões de vetores com consulta abaixo de 200 ms. Evite guardar vetor em postmeta do MySQL: a busca por similaridade vira varredura linear e trava com poucos milhares de registros. O índice precisa ser consultável por distância de cosseno.

Passo 4: Implemente a recuperação por busca vetorial

Recuperar é o coração do RAG: a pergunta do usuário também vira embedding, e o sistema busca os chunks mais próximos no índice. Configure o top-k entre 3 e 5 trechos, equilíbrio que reduz tanto a alucinação quanto o custo de tokens no prompt. Aprofunde o conceito no guia de busca interna com IA no WordPress. Essa busca por similaridade depende dos embeddings gerados no passo 2, que é o que torna a recuperação semântica, e não apenas por palavra exata.

Passo 5: Monte o prompt e gere a resposta com fonte

Gerar a resposta fecha o ciclo: os chunks recuperados entram no prompt como contexto, com a instrução explícita de responder só com base neles e citar a fonte. Use um modelo de chat como o GPT-4o-mini, que custa cerca de US$0,15 por milhão de tokens de entrada e mantém a conta sob controle. Exponha o resultado num endpoint da REST API do WordPress para o seu chatbot consumir. Pronto: o RAG no WordPress agora responde ancorado no seu conteúdo.

Ferramentas e plugins para RAG no WordPress

Hoje existem três caminhos para RAG no WordPress: plugin pronto, serviço gerenciado e código próprio. O AI Engine, plugin gratuito com versão PRO, já traz modo embeddings e conecta OpenAI ou modelos locais sem escrever uma linha de código, o que cobre a maioria dos sites de conteúdo.

Quem usa hospedagem WP Engine tem o Smart Search com vetores nativos, sem depender de serviço externo. Para controle total, a combinação LangChain mais pgvector roda RAG no WordPress via REST API, ao custo de manter a infraestrutura por conta própria. A escolha depende de orçamento e de quanto da pilha você quer manter. Compare as opções no comparativo de plugins de IA para WordPress e veja como estruturar um chatbot de IA no WordPress que consome esse índice.

Custo e frescor: O que ninguém conta sobre RAG no WordPress

O custo real de RAG no WordPress não está na pergunta, está na reindexação. Indexar 500 posts uma vez custa centavos, mas reindexar tudo a cada publicação trava o admin e multiplica a fatura. O padrão que a gente recomenda no suporte é indexar só o post salvo via hook save_post e agendar um reindex completo na madrugada.

Há também o problema de frescor: RAG com base sem reindexação após publicação gera respostas que ignoram o conteúdo novo até o cron de sincronização rodar. Esse é o gap que a maioria dos tutoriais esquece. Um segundo cuidado: chunk acima de 1.000 tokens, somado ao text-embedding-3-small, gera recuperação imprecisa porque o trecho relevante se dilui no vetor médio. Para o conteúdo aparecer em motores generativos, o RAG se soma a sinais como schema estruturado pelo Rank Math e à estratégia de ser citado pelo ChatGPT.

RAG no ecossistema de IA: Onde ele se encaixa

RAG no WordPress ocupa um espaço distinto das outras formas de usar IA no site. O RAG compete por respostas ancoradas no seu conteúdo, com fonte verificável. O fine-tuning compete por estilo e tom, mas sem garantir factualidade. Um chatbot genérico compete por cobertura ampla, sem prometer que a fonte é sua.

Por isso o RAG é a escolha quando a prioridade é precisão sobre o acervo, e não criatividade. O uso de IA generativa no WordPress ganha confiabilidade quando passa a recuperar antes de gerar. Essa lógica espelha como os motores já trabalham: segundo o Google Search Central, AI Overviews usam query fan-out, disparando várias buscas relacionadas para montar a resposta. Se o Google recupera de várias fontes antes de gerar, um site organizado em chunks recuperáveis fica mais legível para o buscador. Reforce isso publicando um arquivo llms.txt no WordPress para guiar os crawlers de IA.

Ative o RAG no WordPress com a stack certa pelo plano PRO

Montar RAG no WordPress exige vários plugins pagos ao mesmo tempo: o de IA, o de SEO que estrutura o schema e o de performance que segura a latência. Comprar cada licença avulsa passa de R$2.000 por ano, e é aí que o projeto trava no orçamento da agência.

No plano PRO da FULL, por R$849 ao ano, você ativa o bundle inteiro com os 17 plugins premium, o que sai em torno de R$85 por site quando você gerencia uma carteira de 10 sites. A gente vê no suporte que a economia some quando o cliente soma licenças soltas; concentrar a pilha num plano só é o que torna projetos de IA como o RAG viáveis em escala. Conheça os planos em FULL.services/planos e compare com o custo de montar a mesma stack por fora.

Perguntas frequentes sobre RAG no WordPress

Próximos passos para colocar o RAG no ar

RAG no WordPress deixa de ser teoria no momento em que você indexa o primeiro lote de posts e faz a primeira pergunta ancorada. Comece pequeno: escolha as 50 páginas que mais geram dúvida, fragmente em chunks de 300 a 500 tokens, gere os embeddings com text-embedding-3-small e suba um índice em pgvector. Conecte um modelo de chat barato, valide se a resposta cita a fonte certa e só depois escale para o acervo inteiro com reindex incremental. O ganho aparece rápido: um assistente que responde sobre o seu negócio, com a sua informação, sem alucinar. Para continuar aprendendo, o FULL Academy reúne os tutoriais de IA, SEO e performance num só lugar.