Descrevemos um sistema RAG (Retrieval-Augmented Generation) escalável para indexação e recuperação semântica de documentos científicos em escala de centenas de milhões de artigos. Nossa arquitetura introduz uma indexação hierárquica em três níveis — sentença, parágrafo e documento — que permite recuperação granular com baixa latência. Em benchmarks de QA científico, o sistema supera abordagens RAG padrão em 23% em precisão sem degradação significativa de velocidade. A implementação está disponível como serviço de API.