Uma equipe de auditoria fiscal desenvolveu um sistema de IA para responder a consultas sobre legislação tributária. O sistema utiliza uma arquitetura RAG (Geração Aumentada por Recuperação) com as seguintes características:

• Os documentos jurídicos são divididos em trechos de 512 tokens, com sobreposição de 128 tokens.
• Cada trecho é convertido em um vetor de 768 dimensões por um modelo de embeddings.
• Os vetores são armazenados em um banco vetorial que utiliza similaridade de cosseno para recuperação.
• Para cada consulta, o sistema recupera os 5 trechos mais similares e os insere em um prompt para um modelo gerador.

Durante os testes, notou-se que, para perguntas que exigem a combinação de informações de dois artigos distintos, o sistema frequentemente fornece respostas incompletas ou incorretas. Um analista propôs as seguintes alterações:

1. Aumentar o número de trechos recuperados de 5 para 10.
2. Reduzir o tamanho dos trechos para 256 tokens, mantendo a sobreposição de 128 tokens.
3. Substituir a similaridade de cosseno por similaridade de produto escalar.
4. Adicionar um agente de IA que reformula a consulta original em múltiplas subconsultas antes da recuperação.

Considerando os conceitos de RAG, embeddings, bancos vetoriais e agentes de IA, qual das alterações propostas tem maior probabilidade de resolver especificamente o problema de respostas incompletas para perguntas que exigem combinação de informações de múltiplos trechos?