Pipeline RAG gerenciado: crie agentes de AI, não infraestrutura (julho de 2026)

Introdução

Criar um pipeline RAG de produção significa operar toda uma stack de infraestrutura de dados — modelos de embedding, bancos de dados vetoriais, estratégias de fragmentação, pipelines de ingestão, ajuste de recuperação e monitoramento de atualização — antes que seu agente responda a uma única pergunta. Em 2026, apenas a camada de recuperação pode consumir mais recursos de engenharia do que o agente que ela atende. A Jenova Agent API elimina toda essa camada, oferecendo armazenamento vetorial totalmente gerenciado, geração aumentada por recuperação integrada e orquestração de agentes pronta para produção por meio de uma única integração.

✅ Armazenamento vetorial totalmente gerenciado — sem bancos de dados para provisionar, indexar ou escalar
✅ RAG integrado — do upload da base de conhecimento à recuperação fundamentada sem nenhum código de pipeline
✅ Flexibilidade multimodelo — roteie para OpenAI, Anthropic, Google, xAI, DeepSeek e muito mais
✅ Infraestrutura pronta para produção — orquestração, memória e escalabilidade testadas em batalha desde o primeiro dia

Para entender por que o RAG gerenciado é importante, vamos examinar o que os desenvolvedores realmente enfrentam ao criar pipelines de recuperação do zero.

Resposta Rápida: O Que É um Pipeline RAG Gerenciado?

Um pipeline RAG gerenciado é um serviço de geração aumentada por recuperação totalmente hospedado, no qual o armazenamento vetorial, os embeddings, a recuperação e o embasamento no conhecimento são tratados pela plataforma — não pelo desenvolvedor. A Jenova Agent API oferece isso como infraestrutura, e não como um framework que você hospeda por conta própria.

Principais capacidades:

• Faça upload de documentos e bases de conhecimento — o pipeline de recuperação é criado automaticamente
• Bancos de dados relacionais e vetoriais gerenciados sem provisionamento ou escalabilidade manual
• Recuperação integrada diretamente à orquestração de agentes
• Roteamento multimodelo para otimizar os custos de embedding e geração

O Problema: Pipelines RAG São Projetos de Infraestrutura Disfarçados de Recursos

O mercado de geração aumentada por recuperação foi avaliado em US$ 1,2 bilhão em 2024 e deve atingir US$ 11,0 bilhões até 2030, crescendo a uma CAGR de 49,1%. A demanda é clara — RAG é como os agentes acessam conhecimento privado, reduzem alucinações e entregam respostas fundamentadas.

Mas colocar RAG em produção continua sendo frustrantemente complexo:

• As operações de banco de dados vetorial exigem conhecimento especializado em infraestrutura
• Pipelines de embedding exigem manutenção contínua — não uma configuração única
• A qualidade da fragmentação e da recuperação exige ajustes iterativos em cada fonte de dados
• A atualização dos dados e os pipelines de ingestão precisam de monitoramento e automação contínuos
• Os custos totais de implementação variam de US$ 15.000 a mais de US$ 150.000 dependendo da escala

Operações de Banco de Dados Vetorial

Todo sistema RAG precisa de um banco de dados vetorial, e todo banco de dados vetorial em produção apresenta os mesmos desafios: limites abruptos de memória, deriva de embedding e lacunas na busca híbrida que prejudicam silenciosamente a qualidade da recuperação. Bancos de dados vetoriais precisam conseguir escalar para bilhões de objetos de dados à medida que os dados crescem, exigindo estratégias sofisticadas de indexação, replicação e planejamento de capacidade. Os problemas de produção incluem bugs no banco de dados, falhas de armazenamento durante atualizações, partições de rede de replicação e shards configurados incorretamente — modos de falha que não existem em um protótipo, mas dominam a produção.

Operar um banco de dados vetorial não é um recurso — é uma responsabilidade de infraestrutura em tempo integral.

Manutenção do Pipeline de Embedding

Embeddings não são estáticos. Os modelos melhoram, os dados mudam, e o que funcionava no lançamento se degrada ao longo do tempo. RAG em produção exige pipelines de ingestão contínua que detectem automaticamente alterações em documentos, refragmentem o conteúdo, regenerem embeddings e atualizem o armazenamento vetorial. A deriva de embedding — quando o espaço semântico muda à medida que os modelos são atualizados ou a distribuição dos dados se altera — é um desafio documentado em produção que degrada silenciosamente a qualidade da recuperação sem erros evidentes.

Fragmentação e Qualidade da Recuperação

A qualidade do RAG depende de como os documentos são divididos, incorporados e recuperados. Há 12 pontos problemáticos documentados no desenvolvimento de pipelines RAG — desde conteúdo ausente e especificidade incorreta na recuperação até degradação da qualidade de extração e limites da janela de contexto. Cada fonte de dados (PDFs, Markdown, HTML, registros estruturados) exige estratégias de fragmentação diferentes, e as configurações ideais variam conforme o caso de uso. Este é um trabalho iterativo e experimental — não uma configuração que você define uma única vez.

Atualização dos Dados e Ingestão

Pipelines RAG não são algo para configurar e esquecer. Índices de documentos ficam desatualizados sem tarefas programadas de ingestão. Novos documentos precisam ser processados. Documentos excluídos ou atualizados precisam ser reindexados. As equipes precisam de visibilidade sobre o estado de seus índices e da capacidade de intervir no nível do documento. Cada sistema de origem — armazenamento de arquivos, CMS, bancos de dados, APIs — exige seu próprio conector de ingestão e lógica de detecção de mudanças.

A Realidade dos Custos

A implementação de RAG custa entre US$ 8.000 e US$ 45.000 com base na análise de 89 implementações reais. Sistemas de produção de média escala custam US$ 15.700–US$ 27.000 para serem criados, com despesas contínuas de US$ 2.500–US$ 5.800 por mês. Implementações corporativas chegam a US$ 34.400–US$ 58.000+ inicialmente e US$ 8.100–US$ 19.500+ mensais. O RAG corporativo on-premises pode custar US$ 80.000 a US$ 150.000+.

US$ 8.000–US$ 45.000 — Custo médio de implementação de RAG em 89 implementações de produção

E isso é apenas a camada de recuperação — antes da orquestração de agentes, do roteamento multimodelo, do gerenciamento de memória, da integração de ferramentas ou de qualquer lógica de aplicação.

Este é exatamente o problema que a Jenova Agent API foi criada para eliminar.

A Jenova Agent API: RAG como Infraestrutura Gerenciada

A Jenova Agent API é um serviço de infraestrutura de agentes totalmente gerenciado, no qual RAG é uma capacidade da plataforma, e não um pipeline que você precisa criar. Faça upload de documentos, anexe-os como uma base de conhecimento e a plataforma cuida da fragmentação, dos embeddings, do armazenamento vetorial, da indexação e da recuperação — tudo integrado diretamente à orquestração de agentes.

Stack RAG Faça Você Mesmo	Jenova Agent API
Provisionar e operar bancos de dados vetoriais (Pinecone, Weaviate, Qdrant etc.)	Armazenamento vetorial totalmente gerenciado — nenhum banco de dados para provisionar ou escalar
Criar pipelines de embedding e gerenciar o versionamento de modelos	Embedding no nível da plataforma com processamento automático
Projetar estratégias de fragmentação para cada tipo de documento	Faça upload de documentos — a fragmentação e a indexação são tratadas automaticamente
Criar lógica de recuperação, classificação e reclassificação	Recuperação integrada à orquestração de agentes
Desenvolver pipelines de ingestão com detecção de mudanças	Atualizações da base de conhecimento processadas pela plataforma
Gerenciar escalabilidade, monitoramento e backups da infraestrutura	Infraestrutura gerenciada pronta para produção desde o primeiro dia

Armazenamento e RAG Totalmente Gerenciados

A API fornece bancos de dados relacionais e vetoriais gerenciados com RAG integrado. Nenhum banco de dados vetorial para operar, nenhum pipeline de embedding para criar, nenhuma estratégia de fragmentação para ajustar. Os desenvolvedores fazem upload de documentos e dados de domínio como bases de conhecimento dos agentes — a plataforma processa, indexa e recupera automaticamente o conteúdo relevante durante as interações dos agentes.

Isso elimina o custo de implementação de US$ 8.000–US$ 45.000 e o custo operacional mensal de US$ 2.500–US$ 19.500+ de uma stack RAG personalizada. A camada de recuperação é infraestrutura — a API a trata dessa forma.

Orquestração de Agentes com Recuperação Integrada

RAG não opera de forma isolada. Em um agente de produção, a recuperação precisa coordenar-se com o raciocínio do modelo, a execução de ferramentas, o gerenciamento de memória e os fluxos de trabalho de várias etapas. A camada de orquestração da API cuida dessa coordenação — determinando quando recuperar, o que recuperar e como integrar o contexto recuperado com o raciocínio do modelo e as saídas das ferramentas. Sem lógica de orquestração personalizada, sem middleware de recuperação, sem código de integração entre seu banco de dados vetorial e seu LLM.

Use Qualquer Modelo

Equipe seus agentes com modelos da OpenAI, Anthropic, Google, xAI, DeepSeek e outros provedores — tudo pelo mesmo endpoint de API. Use modelos econômicos para tarefas de embedding e com uso intenso de recuperação, e modelos premium para raciocínio e síntese complexos. Troque os modelos por agente sem mudar o código de integração. Novos lançamentos de modelos ficam disponíveis por meio da sua integração existente — sem migração, sem novos SDKs.

Memória e Contexto: Além da Recuperação de Consulta Única

Cada sessão de agente inclui memória de conversa ilimitada e gerenciamento de contexto persistente. Resultados de recuperação RAG, saídas de ferramentas e contexto conversacional persistem entre interações — permitindo agentes que constroem entendimento ao longo do tempo, e não apenas respondem a consultas individuais. A memória entre sessões acompanha automaticamente as preferências dos usuários e as interações anteriores, sem exigir armazenamentos de estado externos.

Integração de Ferramentas e MCP

Agentes criados sobre RAG gerenciado também podem acessar ferramentas externas por meio do Model Context Protocol. Conecte-se ao Gmail, Google Drive, Search, Notion, Dropbox e a qualquer servidor remoto compatível com MCP — possibilitando agentes que combinam a recuperação de conhecimento privado com a execução de ferramentas no mundo real. A camada de orquestração coordena perfeitamente a recuperação e as chamadas de ferramentas no mesmo fluxo de trabalho.

Infraestrutura Pronta para Produção

A API é executada em uma infraestrutura totalmente gerenciada por trás de uma plataforma testada com mais de 30.000 usuários em mais de 70 países. Endpoints estáveis, escalabilidade gerenciada e confiabilidade de produção — seu armazenamento vetorial, pipeline de recuperação e orquestração de agentes são todos tratados por uma infraestrutura criada para tráfego de produção. Este é um serviço gerenciado, não um framework que você hospeda por conta própria.

O Que Você Pode Criar

O pipeline RAG gerenciado permite que desenvolvedores lancem agentes fundamentados em conhecimento sem criar infraestrutura de recuperação. Veja como isso se apresenta em diferentes domínios de aplicação:

Assistente de Conhecimento Corporativo

Crie um agente de conhecimento interno para sua organização. Faça upload de políticas da empresa, documentação de produtos, runbooks de engenharia e guias de RH como a base de conhecimento do agente. Os funcionários consultam o agente em linguagem natural e recebem respostas fundamentadas e com citações extraídas da sua documentação real — com memória persistente que acompanha a função e as consultas anteriores de cada usuário. A API cuida do processamento de documentos, armazenamento vetorial, recuperação e síntese de respostas. Sua equipe mantém os documentos; a plataforma gerencia tudo entre o upload e a resposta.

Plataforma de Pesquisa Jurídica com AI

Crie um agente de pesquisa jurídica que recupere jurisprudência, leis e orientações regulatórias relevantes de bancos de dados jurídicos enviados. Defina instruções sensíveis à jurisdição, anexe bases de conhecimento por área de atuação e implemente agentes que sintetizem questões jurídicas complexas com citações aos documentos de origem. O roteamento multimodelo permite usar modelos otimizados em custo para recuperação e modelos premium para análise — por meio de uma única integração.

Suporte ao Cliente com Conhecimento de Produto

Implemente um agente de suporte fundamentado na sua documentação real de produtos, notas de lançamento e guias de solução de problemas. Diferentemente de chatbots genéricos, agentes baseados em RAG recuperam a seção específica do documento relevante para a pergunta de cada cliente — reduzindo alucinações e aumentando a precisão da resolução. A memória persistente significa que clientes recorrentes não precisam repetir o histórico do problema. A integração MCP conecta o agente ao seu sistema de tickets para uma resolução de ponta a ponta.

Ferramenta de Suporte à Decisão Clínica

Crie um agente de conhecimento clínico que recupere informações da literatura médica, de bancos de dados de interações medicamentosas e de diretrizes clínicas enviados como bases de conhecimento. Defina instruções baseadas em evidências com os avisos adequados e implemente um agente que sintetize consultas clínicas complexas com citações à literatura de origem. O armazenamento vetorial gerenciado lida com o volume e a especificidade do conhecimento médico sem sobrecarga de infraestrutura.

Assistente de Documentação Técnica

Lance um assistente de documentação com AI que atenda sua comunidade de desenvolvedores. Faça upload de documentação de API, guias de SDK, exemplos de código e guias de migração como bases de conhecimento. O agente responde a perguntas de integração com exemplos de código fundamentados na sua documentação real — e não em endpoints de API alucinados. À medida que sua documentação evolui, atualize a base de conhecimento; a plataforma reindexa automaticamente.

Consultor de Conformidade e Regulamentação

Crie um agente de conformidade para sua plataforma de serviços financeiros, saúde ou jurídica. Faça upload de estruturas regulatórias, políticas internas de conformidade e procedimentos de auditoria. O agente recupera o texto regulatório relevante para cada consulta, cita seções específicas e aplica a lógica de conformidade da sua organização — tudo fundamentado no material de origem enviado, em vez do treinamento geral do modelo.

Obtenha sua chave de API e lance seu primeiro agente com RAG em minutos — sem banco de dados vetorial necessário.

Como Funciona

Sair do zero para um agente de produção com RAG gerenciado exige quatro etapas:

---

Etapa 1: Obtenha Sua Chave de API

Cadastre-se na plataforma de API da Jenova e gere sua chave de API. Essa única chave autentica todas as solicitações — em todos os provedores de modelos, todas as ferramentas e todos os agentes que você criar.

---

Etapa 2: Crie Seu Agente com uma Base de Conhecimento

Defina as instruções do seu agente, selecione um modelo e anexe sua base de conhecimento. Faça upload dos documentos dos quais seu agente deverá recuperar informações — documentação de produtos, textos jurídicos, literatura médica, políticas corporativas ou qualquer conteúdo específico do domínio. A plataforma processa, fragmenta, gera embeddings e indexa tudo automaticamente.

json
{
  "name": "Compliance Advisor",
  "instructions": "You are a regulatory compliance specialist for financial services. Always cite the specific regulation section when answering. Flag any query that falls outside your knowledge base scope...",
  "model": "claude-sonnet-4-20250514",
  "knowledge_base": ["sec-regulations.pdf", "internal-compliance-policy.md", "audit-procedures.docx"]
}

---

Etapa 3: Adicione Créditos

Adicione créditos de API à sua conta. Os créditos são consumidos por solicitação com base no uso do modelo — pague pelo que usar e escale conforme o tráfego cresce.

---

Etapa 4: Faça Sua Primeira Chamada

Envie uma mensagem ao seu agente. A API cuida da recuperação na sua base de conhecimento, do roteamento de modelos, do gerenciamento de contexto e da geração da resposta — retornando uma resposta fundamentada e respaldada por conhecimento.

json
{
  "message": "What are the reporting requirements for transactions over $10,000 under current BSA regulations?"
}

O agente recupera as seções relevantes dos documentos regulatórios enviados, sintetiza os requisitos e retorna uma resposta com citações a seções específicas dos documentos — tudo coordenado pela camada de orquestração gerenciada.

Detalhes completos de integração, endpoints e referências de SDK estão disponíveis na documentação da API.

---

Resultados e Casos de Uso

🏥 HealthTech Implementa Agente de Conhecimento Clínico em Uma Semana

Cenário: Uma startup de healthtech precisa de um agente de suporte à decisão clínica fundamentado em mais de 50.000 páginas de literatura médica e bancos de dados de interações medicamentosas.

Abordagem Tradicional: Criar uma stack RAG personalizada — selecionar e implantar um banco de dados vetorial, projetar estratégias de fragmentação específicas para medicina, criar pipelines de embedding, desenvolver a classificação de recuperação para precisão clínica e gerenciar a infraestrutura. Custo estimado: US$ 34.400–US$ 58.000+ inicialmente, com US$ 8.100–US$ 19.500+ por mês em operações contínuas. Prazo: 3 a 5 meses antes do primeiro profissional de saúde utilizá-lo.

Jenova Agent API: Faça upload da literatura médica como base de conhecimento, defina instruções clínicas baseadas em evidências, selecione um modelo adequado e lance. O armazenamento vetorial gerenciado indexa todas as mais de 50.000 páginas; a recuperação integrada apresenta as evidências clínicas relevantes para cada consulta.

• Zero operações de banco de dados vetorial — nenhum Pinecone, Weaviate ou Qdrant para gerenciar
• O RAG integrado elimina o custo inicial de mais de US$ 34.000 de pipelines de recuperação personalizados
• A memória persistente acompanha o contexto do paciente em fluxos de trabalho clínicos de várias sessões

📊 Fintech Lança Agente de Conformidade Regulatória em Três Jurisdições

Cenário: Uma plataforma fintech que atende clientes em três jurisdições regulatórias precisa de um agente de conformidade que recupere informações de bancos de dados regulatórios específicos de cada jurisdição.

Abordagem Tradicional: Criar pipelines RAG separados para cada jurisdição, com estratégias distintas de fragmentação para textos regulatórios, lógica de referência cruzada entre estruturas e armazenamento vetorial multilocatário. O desenvolvimento de agentes personalizados com essa complexidade custa US$ 80.000–US$ 150.000+ para uma implementação de nível corporativo, além de meses de ajuste de recuperação específico para regulamentações.

Jenova Agent API: Crie um agente por jurisdição — cada um com bases de conhecimento e instruções regulatórias específicas da jurisdição. A infraestrutura gerenciada cuida do armazenamento vetorial multilocatário, da recuperação e da escalabilidade nas três implementações por meio de uma única integração de API.

• Uma única integração substitui três implementações separadas de infraestrutura RAG
• Atualizações da base de conhecimento são processadas automaticamente — sem scripts de reindexação
• A troca de modelos para otimização de custos não exige nenhuma alteração de código

💼 Empresa SaaS Reduz Custos de Suporte com AI Fundamentada na Documentação

Cenário: Uma empresa SaaS B2B com mais de 200 páginas de documentação de produto lida com mais de 3.000 tickets de suporte mensais, sendo que 60% podem ser respondidos diretamente pela documentação existente.

Abordagem Tradicional: Criar um sistema de recuperação que indexe a documentação de produtos, desenvolver a fragmentação para documentação técnica, implantar pipelines de embedding, criar uma camada de resposta e integrar ao sistema de tickets de suporte. Implementação estimada: US$ 15.700–US$ 27.000, com custos contínuos de US$ 2.500–US$ 5.800/mês.

Jenova Agent API: Faça upload de toda a documentação de produto como base de conhecimento, defina instruções específicas para suporte, conecte o sistema de tickets via MCP e implemente. O agente recupera a seção exata da documentação relevante para cada consulta do cliente — respostas fundamentadas, não descrições de recursos alucinadas.

• Atualizações da documentação são refletidas automaticamente nos resultados de recuperação
• A integração MCP permite a resolução de tickets de ponta a ponta
• A memória persistente reduz a fricção para clientes recorrentes entre sessões

📱 EdTech Lança Agente de Currículo Adaptativo Sem uma Equipe de ML

Cenário: Uma startup edtech precisa de um tutor com AI que recupere informações de um banco de dados curricular de 10.000 páginas e se adapte ao progresso individual dos alunos — sem uma equipe de engenharia de ML.

Abordagem Tradicional: Contratar especialistas para criar RAG educacional: fragmentação específica de currículo, classificação de recuperação pedagógica, acompanhamento de progresso do aluno e lógica de resposta adaptativa. Somente a implementação de RAG custa US$ 8.000–US$ 45.000 com base na complexidade da implementação, além de lógica personalizada de aprendizagem adaptativa.

Jenova Agent API: Faça upload dos materiais curriculares como base de conhecimento, defina instruções pedagógicas que codifiquem a progressão de aprendizagem e a lógica de avaliação, e lance. O RAG gerenciado recupera o conteúdo curricular relevante para cada interação do aluno; a memória persistente acompanha trajetórias individuais de aprendizagem entre sessões.

• Nenhuma equipe de ML necessária — a experiência pedagógica é inserida nas instruções do agente
• O armazenamento vetorial gerenciado indexa e recupera mais de 10.000 páginas em escala
• A memória entre sessões cria automaticamente percursos de aprendizagem personalizados

FAQ

O que é um pipeline RAG gerenciado para agentes de AI?

Um pipeline RAG gerenciado é um serviço de geração aumentada por recuperação totalmente hospedado, no qual a plataforma cuida do armazenamento vetorial, dos embeddings, da indexação e da recuperação. Os desenvolvedores fazem upload de documentos, e o agente recupera conteúdo relevante durante as interações — sem bancos de dados vetoriais para operar, sem pipelines de embedding para criar, sem lógica de recuperação para desenvolver. A Jenova Agent API oferece isso como infraestrutura integrada.

Quanto custa a Jenova Agent API?

A API opera em um sistema baseado em créditos — adicione créditos à sua conta e consuma-os por solicitação com base no uso do modelo. Isso substitui os custos iniciais de US$ 8.000–US$ 45.000 e custos mensais de US$ 2.500–US$ 19.500+ de criar e operar uma stack RAG personalizada. Visite a plataforma de API para consultar os preços e detalhes atuais dos créditos.

Quais modelos de AI posso usar com RAG gerenciado?

A API oferece acesso unificado a modelos da OpenAI, Anthropic, Google, xAI, DeepSeek e outros provedores. Selecione o modelo por agente — use modelos econômicos para tarefas intensivas em recuperação e modelos premium para raciocínio complexo. Novos modelos ficam disponíveis sem migração ou alterações de SDK. Consulte a documentação da API para conferir a lista atual de modelos.

Quão difícil é integrar RAG gerenciado?

Quatro etapas: obtenha sua chave de API, crie seu agente com uma base de conhecimento, adicione créditos e faça sua primeira chamada. Faça upload dos documentos, defina as instruções, e a plataforma cuida automaticamente da fragmentação, dos embeddings, do armazenamento vetorial e da recuperação. Todo o fluxo — do cadastro a um agente funcional com RAG — pode ser concluído em minutos.

O pipeline RAG gerenciado está pronto para produção?

Sim. A API é executada em infraestrutura totalmente gerenciada por trás de uma plataforma testada com mais de 30.000 usuários em mais de 70 países. Armazenamento vetorial, pipelines de recuperação e orquestração de agentes são de nível de produção — endpoints estáveis, escalabilidade gerenciada e confiabilidade comprovada. Trata-se de infraestrutura gerenciada, não de uma versão beta ou framework auto-hospedado.

Posso usar meus próprios documentos como base de conhecimento de um agente?

Faça upload de qualquer documento do qual seu agente deva recuperar informações — PDFs, arquivos Markdown, documentos de texto e muito mais. A plataforma processa, fragmenta, gera embeddings e indexa seu conteúdo automaticamente. Sua base de conhecimento é privada para seu agente e nunca é compartilhada com outros agentes ou usuários. À medida que os documentos são atualizados, a plataforma reflete as mudanças nos resultados de recuperação.

Conclusão

Criar um pipeline RAG de produção em 2026 não deveria significar operar bancos de dados vetoriais, desenvolver pipelines de embedding, ajustar estratégias de fragmentação e gerenciar infraestrutura de ingestão — tudo antes que seu agente entregue uma única resposta fundamentada. Com custos de implementação chegando a US$ 8.000–US$ 45.000 inicialmente e US$ 2.500–US$ 19.500+ por mês em operações contínuas, apenas a camada de recuperação pode consumir mais recursos de engenharia do que o agente que ela atende.

A Jenova Agent API transforma RAG em uma capacidade de plataforma — não em um projeto de infraestrutura. Faça upload dos seus documentos, defina as instruções do seu agente, selecione seu modelo e lance. Armazenamento vetorial, embeddings, recuperação, orquestração, memória e escalabilidade são tratados por infraestrutura gerenciada de nível de produção, criada na mesma plataforma que impulsiona o ecossistema de agentes da Jenova.

Pare de criar pipelines de recuperação. Comece a criar agentes.

Obtenha sua chave de API em jenova.ai/platform. Documentação completa em jenova.ai/platform/docs.