Agora, qualquer pessoa pode construir um sistema de IA que responde a perguntas complexas com 18% mais precisão e 85% menos custos do que o RAG tradicional. Sem PhD. Sem orçamento milionário. Sem equipe de pesquisadores.
A única coisa entre você e esse resultado é um conceito que a Microsoft, Stanford e a Anthropic descobriram de forma independente — e que a maioria dos desenvolvedores ainda não assimilou.
O RAG tradicional encontra texto. A Graph Engineering encontra relacionamentos. Aqui está o sistema completo por trás disso.
Marque isso e siga-me
- Sou Sprytix, um desenvolvedor que constrói sistemas de IA e pipelines de automação que transformam tecnologia em renda real. DMs abertos.
Por que o RAG tradicional atinge um limite
O RAG tradicional funciona assim:
1Pergunta2↓3Pesquisar documentos por texto correspondente4↓5Retornar os trechos mais relevantes6↓7Modelo gera resposta a partir dos trechos
Isso funciona bem para perguntas simples. Quebra completamente para perguntas complexas.
Pergunte "por que nossas vendas de produtos caíram em março?" e o RAG encontra documentos com as palavras "vendas" e "março". Ele encontra fragmentos. Ele não encontra a cadeia de causalidade.
1Resposta do RAG:2Aqui estão 5 documentos mencionando vendas em março.34Resposta da Graph Engineering:5As vendas caíram devido a um atraso no lançamento6causado por uma dependência de fornecedor7desencadeada por um problema no armazém8que gerou avaliações negativas9que reduziu a conversão em 23%.
Mesmo modelo. Mesmos dados. Resultado completamente diferente — porque um sistema busca texto e o outro busca a realidade.
Isso é o que a Microsoft, Stanford e a Anthropic descobriram de forma independente. E é por isso que todos os três migraram para a Graph Engineering.
Documento 1 - Microsoft GraphRAG
A Microsoft construiu o GraphRAG e o tornou open-source. Os resultados de sua pesquisa são os números mais concretos disponíveis sobre o que a Graph Engineering realmente entrega em comparação com o RAG tradicional.
A arquitetura converte texto não estruturado em um grafo de conhecimento completo:
1Carregar Documentos2↓3Fragmentar Documentos4↓5Extrair Entidades e Relações6↓7Construir Grafo8↓9Detectar Comunidades10↓11Gerar Relatórios de Comunidade12↓13Incorporar Entidades e Relatórios14↓15Pesquisa Local / Pesquisa Global
O insight chave que a Microsoft documentou: o RAG tradicional responde bem a perguntas locais — encontre informações sobre esta entidade específica. Ele falha em perguntas globais — quais são os principais temas em todo este conjunto de dados, que padrões conectam estes 10.000 documentos.
A Graph Engineering responde a ambas.
1Pesquisa Local | o que aconteceu com o fornecedor X em março2 | encontra o nó específico e suas conexões34Pesquisa Global | quais são os principais padrões de risco em5 | todos os nossos relacionamentos com fornecedores6 | encontra padrões em todo o grafo
Resultados práticos da pesquisa GraphRAG da Microsoft:
1Melhoria de precisão | 18% maior que a abordagem de documento bruto2Redução de custo de token | 85% menor que carregar arquivos estruturados diretamente3Custo por tarefa | aproximadamente $0,004 na configuração testada
Esses números vêm do artigo ChatP&ID — GraphRAG aplicado a diagramas de engenharia industrial. Os mesmos princípios se aplicam em todos os domínios.
Documento 2 - Stanford DSPy e a conexão com grafos
O artigo DSPy de Stanford estabeleceu que o modelo é um nó em um grafo — não o centro do universo. Esta é a base teórica que se conecta diretamente à Graph Engineering.
O DSPy trata o pipeline de IA como um grafo de módulos:
1Pergunta2↓3Recuperador - encontra informações relevantes4↓5Raciocínio - processa e conecta6↓7Verificador - verifica o resultado8↓9Resposta
A conexão com a Graph Engineering é direta: o DSPy otimiza o grafo do pipeline, o GraphRAG otimiza o grafo de conhecimento. Ambos tratam o modelo como um componente em uma estrutura maior, em vez da solução completa.
O artigo STORM de Stanford vai além:
O STORM constrói conhecimento do zero através de um grafo estruturado de etapas de pesquisa antes de escrever uma única palavra. Pesquisa, coleta de fontes, esboço, redação, verificação, revisão — cada etapa informada pelos relacionamentos descobertos na anterior.
O insight compartilhado em todas as pesquisas de Stanford: tarefas complexas precisam de um sistema de etapas conectadas, não de uma única chamada de modelo. O grafo é o sistema.
Documento 3 - Leis de escala de Stanford para grafos de conhecimento
Este artigo comparou 26 modelos open-source em tarefas de engenharia de grafos de conhecimento. A conclusão é uma das mais importantes no campo:
1Modelo maior + grafo ruim | resultados piores2Modelo menor + grafo bom | resultados melhores
O grafo certo supera o modelo maior. Sempre.
Esta é a mesma conclusão que a Microsoft alcançou com o GraphRAG e a Anthropic com o Claude Code — o sistema ao redor do modelo determina a saída mais do que o próprio modelo. A Graph Engineering é a implementação mais concreta desse princípio.
Documento 4 - Pesquisa do MIT Press sobre memória relacional
direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476
Publicado em Transactions of the Association for Computational Linguistics.
A pesquisa mostra o que acontece quando você conecta um modelo de linguagem à memória relacional — um grafo de conhecimento de relacionamentos em vez de apenas fragmentos de texto.
1Contexto de Texto2↓3Recuperar Relações Relevantes do Grafo4↓5Memória Relacional6↓7Modelo de Linguagem8↓9Geração mais coerente e precisa
A principal descoberta: modelos com acesso a estruturas de relacionamento explícitas produzem texto mais coerente e cometem menos erros lógicos do que modelos que trabalham apenas com texto.
Esta é a explicação científica para o motivo pelo qual a Graph Engineering funciona. O modelo não precisa inferir relacionamentos a partir do texto. Os relacionamentos são explícitos no grafo. O modelo os usa diretamente.
Documento 5 - KEPLER
O KEPLER combina o treinamento de modelos de linguagem com embeddings de grafos de conhecimento. Em vez de tratar a compreensão da linguagem e o conhecimento factual como problemas separados — o KEPLER otimiza ambos simultaneamente.
1Modelo de Linguagem2+3Embeddings de Conhecimento4+5Grafo de Conhecimento6=7Modelo que entende tanto linguagem quanto fatos
A implicação prática: um modelo que tem acesso a um grafo de conhecimento adequadamente estruturado não precisa adivinhar relacionamentos entre entidades. Ele os consulta. A diferença de precisão em perguntas factuais é significativa.
Documento 6 - Anthropic e Claude no grafo
- www.anthropic.com/customers/graph
- github.com/anthropics/anthropic-cookbook
- github.com/modelcontextprotocol
A Anthropic não tem um produto chamado "Graph Engineering." O que eles têm são três camadas onde o Claude se integra diretamente à arquitetura de grafos.
Camada 1 - Claude extrai o grafo do texto
1Documentos2↓3Claude extrai entidades e relacionamentos4↓5Triplas JSON:6{7 "subject": "Anthropic",8 "relation": "created",9 "object": "Claude"10}11↓12Grafo de Conhecimento
O Claude lida com extração de entidades, extração de relacionamentos, deduplicação, normalização e elaboração de ontologia. As tarefas que exigiam pipelines especializados de PNL agora são executadas através de uma única chamada de API.
Camada 2 - Claude consulta o grafo
1Pergunta do Usuário2↓3Claude4↓5Consulta Cypher / SPARQL6↓7Grafo de Conhecimento8↓9Resultado10↓11Explicação do Claude em linguagem simples
O Claude traduz linguagem natural em consultas de grafo, executa-as contra o Neo4j ou qualquer banco de dados de grafo e explica os resultados. Nenhum conhecimento de linguagem de consulta é necessário do usuário.
Camada 3 - MCP conecta o Claude ao grafo
github.com/modelcontextprotocol
1Claude2↓3Protocolo MCP4↓5Banco de Dados de Grafo6↓7Entidades + Relacionamentos8↓9Claude com contexto completo do grafo
O MCP é a camada de transporte que dá ao Claude acesso permanente a qualquer grafo de conhecimento sem reconstruir a conexão a cada sessão.
O caso LaunchNotes - números reais de produção
www.anthropic.com/customers/graph
A LaunchNotes construiu um produto chamado Graph que conecta GitHub, Jira e Linear. O Claude analisa os relacionamentos entre o trabalho de engenharia em todos os três sistemas.
1Commits do GitHub2+3Tickets do Jira4+5Tarefas do Linear6↓7Grafo do Trabalho de Engenharia8↓9Claude10↓11Detecção de Incidentes + Insights de Projetos
Resultados do estudo de caso da Anthropic:
1Detecção de incidentes | até 5x mais rápida2Tempo de reunião | aproximadamente 50% de redução3Notas de lançamento | geradas automaticamente em segundos
Esses números vêm da conexão de dados de relacionamento estruturados — não apenas da pesquisa em documentos.
O que é realmente um grafo de conhecimento
Antes de construir um — o conceito fundamental.
Um grafo de conhecimento armazena informações como triplas:
1Sujeito → Relação → Objeto
Exemplos:
1Anthropic → criou → Claude2Claude → suporta → MCP3MCP → conecta → ferramentas externas4Microsoft → construiu → GraphRAG5GraphRAG → reduz custo de token em → 85%
Cada informação é uma relação explícita entre duas entidades. Não um parágrafo de texto que pode conter essa informação — um fato explícito, estruturado e consultável.
1Banco de dados comum:2Tabela de empresas3Tabela de produtos4Nenhuma relação explícita entre eles56Grafo de conhecimento:7Empresa → criou → Produto8Produto → compete com → Outro Produto9Outro Produto → pertence a → Outra Empresa10Empresa → investiu em → Outra Empresa
O grafo não apenas armazena fatos. Ele armazena como os fatos se conectam uns aos outros. É isso que torna o raciocínio complexo possível.
O pipeline completo da Graph Engineering
1Etapa 1 | Coletar documentos brutos2 | PDFs, e-mails, relatórios, exportações de banco de dados34Etapa 2 | Extrair entidades5 | pessoas, empresas, produtos, eventos, conceitos67Etapa 3 | Extrair relacionamentos8 | quem fez o quê para quem, quando, por que, como910Etapa 4 | Construir esquema11 | definir tipos de entidade e tipos de relacionamento1213Etapa 5 | Deduplicar e normalizar14 | "Microsoft Corp" e "MSFT" são a mesma entidade1516Etapa 6 | Armazenar em banco de dados de grafo17 | Neo4j, Amazon Neptune, PostgreSQL com extensão de grafo1819Etapa 7 | Construir camada de recuperação20 | pesquisa local para entidades específicas21 | pesquisa global para padrões em todo o grafo2223Etapa 8 | Conectar modelo24 | Claude consulta o grafo via MCP ou API direta2526Etapa 9 | Atualizar continuamente27 | novos documentos expandem o grafo28 | contradições são sinalizadas para revisão
O artigo LLM-assisted Knowledge Graph Engineering em arxiv.org/abs/2307.06917 compara o desempenho dos modelos de linguagem em cada uma dessas etapas. A constatação honesta: LLMs são excelentes assistentes para extração e normalização, mas a geração de grafos zero-shot ainda não é confiável o suficiente para produção sem revisão humana nas etapas de esquema e deduplicação.
Os cinco prompts que executam todo o pipeline
A Graph Engineering não elimina prompts. Ela os usa em cada etapa específica do pipeline de grafos.
Prompt 1 - Extração
1Extraia todas as organizações, pessoas, produtos e eventos.23Para cada entidade, retorne:4- nome_canônico5- tipo6- descrição7- fonte89Para cada relacionamento, retorne:10- entidade_origem11- tipo_relação12- entidade_destino13- evidência14- pontuação_confiança
Prompt 2 - Normalização
1Compare as seguintes entidades.2Determine se elas se referem a:3- a mesma entidade4- entidades relacionadas, mas diferentes5- entidades não relacionadas67Retorne o nome canônico e a explicação.8Não mescle entidades sem evidências claras.
Prompt 3 - Consulta ao grafo
1Traduza a pergunta do usuário para uma consulta Cypher.2Use apenas relacionamentos presentes no esquema.3Não invente rótulos ou propriedades.4Retorne a consulta e uma breve explicação da lógica.
Prompt 4 - Resposta fundamentada
1Responda usando apenas os caminhos do grafo recuperados.2Para cada conclusão:3- identifique os nós de suporte4- identifique o caminho do relacionamento5- declare a incerteza claramente6- não inferir causalidade a partir de correlação
Prompt 5 - Manutenção do grafo
1Compare novos fatos com o grafo existente.2Classifique cada fato como:3- novo4- duplicado5- contradição6- atualização7- incerto89Não sobrescreva fatos existentes sem evidências.
Como a documentação do GraphRAG da Microsoft mostra — os prompts lidam internamente com extração, identificação de relacionamentos, sumarização e geração de relatórios de comunidade. A engenharia de prompts é o mecanismo dentro da engenharia de grafos, não seu concorrente.
Cinco negócios que você pode construir em um grafo de conhecimento
1 - Plataforma de due diligence
1Relatórios corporativos + fundadores + investidores2+ casos legais + subsidiárias + transações3↓4Grafo de Conhecimento5↓6Claude7↓8Análise de risco + conexões ocultas + detecção de conflito de interesses
Clientes: fundos de investimento, escritórios de advocacia, bancos, consultores de M&A. Retentor mensal de $2.000 a $10.000 por cliente.
2 - Inteligência de vendas
1Contatos + empresas + cargos2+ e-mails anteriores + problemas da empresa + produto3↓4Grafo de Conhecimento5↓6Quem influencia a decisão7Quais objeções se repetem8Qual estudo de caso mostrar para este cliente específico9Onde o negócio está travado
3 - Inteligência de engenharia
1Commits do GitHub + tickets do Jira + tarefas do Linear2↓3Grafo do Trabalho de Engenharia4↓5Detecção de incidentes 5x mais rápida650% menos tempo de reunião7Notas de lançamento automáticas
A LaunchNotes já vende isso. O mercado é toda equipe de engenharia que usa mais de uma ferramenta de gerenciamento de projetos.
4 - Inteligência de pesquisa
1Artigos + autores + instituições2+ métodos + conjuntos de dados + resultados + contradições3↓4Grafo de Conhecimento5↓6Quais métodos GraphRAG usam detecção de comunidades7Em quais conjuntos de dados foram testados8Quais artigos se contradizem
5 - SO de conhecimento pessoal
1Notas do Obsidian + e-mails + calendário2+ PDFs + contatos + tarefas3↓4Grafo de Conhecimento Pessoal5↓6Com quem discuti esta ideia7Quais tarefas dependem da resposta de uma pessoa8Quais decisões contradizem acordos anteriores9O que prometi fazer este mês
A mudança que conecta Microsoft, Stanford e Anthropic
1Engenharia de Prompts | como fazer a pergunta certa2RAG | qual documento encontrar3Graph Engineering | quais entidades existem4 | como elas se conectam5 | qual caminho leva à resposta6 | o que muda se um nó mudar
O LLM conhece palavras. O grafo de conhecimento conhece relacionamentos. Os sistemas de IA mais poderosos surgem quando ambos trabalham juntos.
A Microsoft provou isso em produção com o GraphRAG — 18% mais precisão, 85% menos custos. Stanford provou isso em pesquisa com DSPy, STORM e o artigo sobre leis de escala. A Anthropic provou isso no caso LaunchNotes — detecção de incidentes 5x mais rápida, 50% menos tempo de reunião.
Três organizações. Três caminhos independentes. Uma conclusão.
O modelo encontra texto. O grafo encontra a realidade. Construa o grafo.
A maioria dos desenvolvedores continuará melhorando seus prompts e se perguntando por que perguntas complexas ainda dão respostas ruins. Alguns passarão um fim de semana construindo seu primeiro grafo de conhecimento e nunca mais voltarão a pesquisar documentos.
/ Se isso foi útil — siga-me, o próximo sai aqui primeiro.
