Este trabalho investiga estratégias de adaptação de Modelos de Linguagem de Grande Escala (LLMs) em ambientes com recursos computacionais limitados, com foco na comparação entre abordagens baseadas em Retrieval-Augmented Generation (RAG) e fine-tuning. O estudo utiliza documentos normativos institucionais como domínio de aplicação, explorando a capacidade dos modelos em responder perguntas fundamentadas em conteúdos estruturados. A metodologia proposta contempla a construção de um pipeline, incluindo processamento de documentos, geração de embeddings, criação de dataset supervisionado e avaliação comparativa das abordagens. Os experimentos foram conduzidos utilizando modelos de diferentes capacidades, considerando tanto a qualidade das respostas quanto o custo computacional. A avaliação foi realizada por meio de métricas de similaridade semântica, factualidade e taxa de alucinação, além de medidas de desempenho como tempo de resposta e uso de memória de GPU. Os resultados preliminares indicam que a abordagem baseada em RAG apresenta melhor desempenho em termos de fidelidade ao conteúdo e redução de alucinações, enquanto o fine-tuning demonstra maior eficiência computacional, com menor tempo de inferência e menor consumo de memória. Os achados evidenciam a importância de considerar trade-offs entre qualidade e custo na escolha da estratégia mais adequada, contribuindo para o uso de LLMs em cenários institucionais com restrições de infraestrutura.