A maioria das pessoas usa IA como um motor de busca caro. Abre um chat, faz uma pergunta, obtém uma resposta, fecha a aba. No dia seguinte, começam do zero porque a IA não se lembra de nada.
Mas há desenvolvedores ganhando $10.000 a $20.000 por mês simplesmente porque o sistema de IA deles responde duas vezes mais rápido, dá respostas mais precisas e custa 85% menos que o dos concorrentes. Eles não estão usando um modelo secreto. Eles construíram a arquitetura certa em torno de um modelo comum.
Chama-se Kimi K3 + Graph Engineering. A Microsoft passou anos provando que funciona – 85% menos custos, 18% mais precisão.
Aqui está como construir isso do zero em uma semana.
Por que o RAG tradicional para de funcionar em algum ponto
A maioria dos desenvolvedores constrói sistemas de IA da mesma forma. O usuário pergunta algo, o sistema pesquisa em documentos, encontra fragmentos de texto semelhantes, o modelo gera uma resposta. Funciona bem para perguntas simples. Desmorona completamente para perguntas complexas.
Pergunte "por que nossas vendas caíram em março?" e o RAG tradicional encontra documentos com as palavras "vendas" e "março". Ele encontra fragmentos. Ele não encontra a cadeia de causas.
1Resposta do RAG tradicional:2Aqui estão 5 documentos mencionando vendas em março.34Resposta do Graph Engineering:5As vendas caíram devido a um atraso no lançamento6causado por um problema com o fornecedor7desencadeado por uma falha 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 conexões entre fatos reais.
Isto é o que a Microsoft, Stanford e a Anthropic descobriram, cada uma de forma independente. E é por isso que os desenvolvedores que entendem isso estão se movendo mais rápido que todos os outros.
O que realmente é um grafo de conhecimento
Um grafo de conhecimento armazena informações como triplas:
1Sujeito → Relação → Objeto
Exemplos reais:
1Kimi K3 → desenvolvido por → Moonshot AI2Kimi K3 → janela de contexto → 1 milhão de tokens3Microsoft → construiu → GraphRAG4GraphRAG → reduz custos em → 85%5Anthropic → criou → Claude6Claude → suporta → MCP
Cada informação é uma conexão explícita entre duas entidades. Não é um parágrafo de texto que pode conter essa informação em algum lugar – é um fato estruturado que você pode consultar diretamente.
1Banco de dados comum:2Tabela de empresas3Tabela de produtos4Sem conexões explícitas 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 – e o que o RAG tradicional nunca pode fazer, não importa o quão bom seja o modelo.
O Stanford AI Lab define um grafo de conhecimento como um banco de dados estruturado onde a informação é representada como uma rede de entidades e relacionamentos em triplas sujeito-relação-objeto. Usado em busca, recomendações e tarefas onde você precisa encontrar conexões indiretas.
Por que o Kimi K3 é o modelo certo para esta arquitetura
A maioria dos modelos tem janelas de contexto de 128.000 a 200.000 tokens. O Kimi K3 tem um milhão. Este não é apenas um número impressionante – é uma vantagem arquitetônica especificamente para Graph Engineering.
Um grafo retorna subgrafos, cadeias de evidências, listas de entidades conectadas. Tudo isso ocupa espaço na janela de contexto. Com um contexto pequeno, você precisa cortar o grafo. Com um milhão de tokens, toda a parte relevante do grafo cabe em uma sessão.
1Arquitetura do Kimi K3:22,8 trilhões de parâmetros totais3896 especialistas em MoE, 16 ativos por token4Janela de contexto de 1.048.576 tokens5Análise de imagem nativa6Kimi Delta Attention para sequências longas7Attention Residuals para preservar sinais entre camadas
Kimi Delta Attention é um mecanismo híbrido que reduz o custo de trabalhar com sequências longas. Para Graph Engineering, isso significa que o sistema pode passar ao modelo subgrafos grandes, longas listas de evidências, dezenas de documentos e estrutura de repositórios sem aumentos de custo catastróficos.
Mas mesmo um milhão de tokens é memória temporária. Após a sessão, tudo desaparece.
1Contexto de 1M tokens = grande superfície de trabalho por sessão2Grafo de conhecimento = memória estruturada permanente entre sessões
Kimi K3 fornece escala e raciocínio. Graph Engineering fornece memória e estrutura. Juntos, eles resolvem problemas diferentes ao mesmo tempo.
Documento 1 – Microsoft GraphRAG
A Microsoft construiu o GraphRAG e o tornou open-source. Os números de sua pesquisa são a evidência mais concreta disponível sobre o que o Graph Engineering realmente entrega em comparação com o RAG tradicional.
A arquitetura converte texto não estruturado em um grafo de conhecimento completo:
1Carregar documentos2↓3Dividir documentos em chunks4↓5Extrair entidades e relações6↓7Construir grafo8↓9Detectar comunidades10↓11Gerar relatórios de comunidades12↓13Incorporar (embed) entidades e relatórios14↓15Busca Local / Busca Global
Insight chave da Microsoft: o RAG tradicional responde bem a perguntas locais – encontre informações sobre esta entidade específica. Ele falha em perguntas globais – quais são os principais padrões nestes 10.000 documentos, o que conecta esses eventos em todo o conjunto de dados.
Graph Engineering responde a ambas.
1Busca Local | o que aconteceu com o fornecedor X em março2 | encontra o nó específico e suas conexões34Busca Global | quais são os principais padrões de risco5 | em todos os nossos relacionamentos com fornecedores6 | encontra padrões em todo o grafo
Números reais da pesquisa ChatP&ID:
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
Documento 2 – Três modos de combinar LLM e Grafo de Conhecimento
Um dos artigos teóricos mais fortes sobre a combinação de modelos de linguagem e grafos de conhecimento descreve três modos:
1Modo 1 – LLM aprimorado por KG2O grafo fornece fatos e estrutura ao modelo3O modelo gera melhores respostas45Modo 2 – KG aumentado por LLM6O modelo cria, limpa e expande o grafo7O grafo melhora com o tempo89Modo 3 – LLM + KG sinergizados10Grafo e modelo melhoram um ao outro mutuamente11Modo mais poderoso
Para Kimi K3 + Graph Engineering, o terceiro modo funciona melhor. Kimi K3 extrai novos fatos e os adiciona ao grafo. O grafo fornece a Kimi K3 contexto estruturado para raciocínio. O ciclo se repete e o sistema melhora a cada iteração.
Documento 3 – Memória Relacional para modelos de linguagem
MIT Press, 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 fragmentos de texto.
1Contexto de texto2↓3Extrair relações relevantes do grafo4↓5Memória Relacional6↓7Modelo de linguagem8↓9Geração mais coerente e precisa
Descoberta chave: modelos com acesso a estruturas de relacionamento explícitas produzem texto mais coerente e cometem menos erros lógicos do que modelos trabalhando apenas com texto.
Esta é a explicação científica para o porquê do Graph Engineering funcionar. O modelo não precisa inferir relacionamentos a partir do texto. Os relacionamentos são explícitos no grafo. O modelo os usa diretamente.
Publicado sob CC BY 4.0 – pode ser usado livremente com atribuição.
Documento 4 – Leis de Escala para Engenharia de Grafos de Conhecimento
Pesquisa que comparou 26 modelos open-source em tarefas de engenharia de grafos de conhecimento. A conclusão é uma das descobertas mais importantes no campo:
1Modelo maior + grafo ruim | resultados piores2Modelo menor + grafo bom | resultados melhores
O grafo certo vence o modelo maior. Todas as vezes.
A mesma conclusão que a Microsoft alcançou com GraphRAG e a Anthropic alcançou com Claude Code – o sistema em torno do modelo determina a saída mais do que o próprio modelo. Graph Engineering é a implementação mais concreta desse princípio.
Documento 5 – Agente-como-Grafo
Este artigo mostra como representar não apenas conhecimento, mas agentes e ferramentas como nós em um grafo.
1Pergunta do usuário2↓3Grafo de capacidades4↓5Selecionar agente de pesquisa6↓7Selecionar ferramenta GitHub8↓9Selecionar ferramenta ArXiv10↓11Selecionar ferramenta de banco de dados de grafo12↓13Kimi K3 coordena a execução
Os autores relatam melhoria de 14,9% no Recall@5 e 14,6% no nDCG@5 em comparação com retrievers comparáveis no LiveMCPBenchmark.
Para Kimi K3, isso significa que o grafo pode gerenciar não apenas o conhecimento, mas também qual agente e qual ferramenta usar para cada tarefa específica.
Documento 6 – Kimi Code e Agent SDK
Kimi Code é um agente de terminal que pode:
1Ler e editar código2Executar comandos de shell3Pesquisar arquivos4Buscar páginas da web5Analisar o resultado de cada etapa6Escolher independentemente a próxima ação7Suporta MCP8Hooks de ciclo de vida9Modos de aprovação
Kimi Agent SDK permite que você use Kimi Code como base para seu próprio agente. Ele reutiliza as ferramentas, habilidades e configuração do servidor MCP do Kimi Code.
Para Graph Engineering, esta é uma camada de execução pronta para uso. O grafo fornece conhecimento estruturado e caminhos de raciocínio. Kimi Code realiza ações no ambiente real. O SDK une tudo.
A arquitetura completa do sistema
1Etapa 1 – Camada de Ingestão2PDFs, sites, bancos de dados, APIs, Slack, Notion3↓45Etapa 2 – Camada de Extração6Kimi K3 extrai entidades e relacionamentos78{9 "entity": "Kimi K3",10 "type": "AI model",11 "relations": [12 {13 "predicate": "developed_by",14 "object": "Moonshot AI",15 "confidence": 0.9816 }17 ]18}1920↓2122Etapa 3 – Camada de Resolução23O sistema resolve se estas são a mesma entidade:24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面2526↓2728Etapa 4 – Armazenamento do Grafo29Neo4j / Memgraph / Amazon Neptune / PostgreSQL3031↓3233Etapa 5 – Camada de Recuperação34Busca vetorial + Consulta de entidade + Busca de caminho35Busca de comunidade + Filtragem temporal3637↓3839Etapa 6 – Camada de Agente40Kimi K3:41Planeja a abordagem42Escolhe a ferramenta certa43Gera consultas Cypher ou SPARQL44Analisa subgrafo45Executa pesquisa na web46Tira conclusões47Identifica a próxima lacuna de conhecimento4849↓5051Etapa 7 – Camada de Verificação52Verifica a cobertura de evidências53Encontra contradições54Avalia a confiança55Verifica fontes5657↓5859Etapa 8 – Atualização do Grafo60Novos fatos adicionados ao grafo61Contradições sinalizadas62Informações antigas recebem timestamp
Este é um ciclo fechado de conhecimento-ação. Kimi K3 não apenas lê o grafo. Ele identifica o que está faltando, forma sub-perguntas, seleciona um nó ou subgrafo, executa uma busca, verifica o resultado, adiciona um novo fato e reavalia a hipótese.
Cinco prompts que executam todo o pipeline
Graph Engineering não substitui prompts. Ele os usa em cada estágio específico.
Prompt 1 – Extração
1Extraia todas as organizações, pessoas, produtos e eventos.23Para cada entidade retorne:4- canonical_name5- type6- description7- source89Para cada relacionamento retorne:10- source_entity11- relation_type12- target_entity13- evidence14- confidence_score
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 em uma consulta Cypher.2Use apenas relacionamentos presentes no esquema.3Não invente rótulos ou propriedades.4Retorne a consulta e a 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 de relacionamento5- declare a incerteza claramente6- não infira 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.
Cinco negócios que você pode construir neste sistema
1 – Pesquisa de Investimentos
1Empresa2├── fundadores e seus projetos anteriores3├── investidores e seu portfólio4├── concorrentes e suas estratégias5├── riscos legais6├── patentes7├── vagas de emprego como sinal de estratégia8└── métricas financeiras ao longo do tempo
Kimi K3 lê relatórios e notícias. O grafo mostra conexões ocultas entre empresas, investidores compartilhados, dependências de fornecedores e sinais de pessoal. Clientes: fundos de investimento, escritórios de advocacia, consultores de M&A. $2.000 a $10.000 por cliente por mês.
2 – 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 em reuniões7Notas de versão automáticas
LaunchNotes já vende isso. O mercado é toda equipe de engenharia que usa mais de uma ferramenta de gerenciamento de projetos.
3 – Motor de Pesquisa Científica
1Artigo → autor → instituição → método → conjunto de dados → resultado2↓3Quais métodos GraphRAG usam detecção de comunidades,4em quais conjuntos de dados foram testados5e quais artigos se contradizem
A busca comum dá uma lista de documentos. Um sistema de grafo constrói um mapa de evidências e contradições.
4 – Grafo de Ameaças Cibernéticas
1IP → domínio → certificado → malware → campanha → ator2↓3Kimi K3 analisa relatórios de ameaças4Mapeia indicadores entre fontes5Explica caminhos de ataque6Atualiza o grafo de ameaças automaticamente
5 – SO de Conhecimento Pessoal
1Pessoas ↔ Reuniões ↔ Projetos ↔ Documentos ↔ Decisões ↔ Promessas2↓3Perguntas que Kimi K3 pode responder:4Quem está bloqueando esta tarefa?5Que decisão tomamos e em que ela se baseou?6O que prometi fazer este mês?7Quais suposições antigas não são mais válidas?
Por onde começar esta semana
1Dia 1 | instale o Neo4j localmente2 | leia o README do DSPy3 | github.com/stanfordnlp/dspy4 | entenda a diferença entre usar prompt5 | e programar um sistema67Dia 2 | pegue um conjunto de documentos8 | execute Kimi K3 via API9 | extraia primeiras entidades e relacionamentos10 | salve no Neo4j1112Dia 3 | construa a primeira camada de recuperação13 | combine busca vetorial e busca em grafo14 | teste em uma pergunta complexa que o RAG não consegue responder1516Dia 4 | conecte Kimi Code via MCP17 | github.com/MoonshotAI/kimi-code18 | deixe o agente ler o grafo e adicionar novos fatos19 | execute o primeiro ciclo conhecimento-ação2021Dia 5 | meça o resultado22 | compare a precisão vs. RAG tradicional23 | compare os custos de token24 | encontre o primeiro caso de uso de cliente real
O que Microsoft, Stanford e Anthropic descobriram juntos
1Microsoft GraphRAG | grafo reduz custos em 85%, melhora precisão em 18%2Stanford DSPy | modelo é um nó em um grafo, não o centro3Stanford Leis de Escala | modelo menor + grafo bom vence modelo maior4MIT Press Pesquisa | relacionamentos explícitos melhoram coerência e precisão5Anthropic LaunchNotes | detecção de incidentes 5x mais rápida, 50% menos tempo de reunião
Kimi K3 é o motor. Graph Engineering é o mapa, a memória e o sistema de coordenadas. Sem o motor, o grafo não age. Sem o grafo, o motor se move muito rápido, mas nem sempre sabe para onde está indo.
A maioria dos desenvolvedores continuará construindo RAG tradicional e se perguntará por que perguntas complexas dão respostas ruins. Alguns passarão uma semana construindo um sistema de grafo e nunca mais voltarão a buscar texto.
Você constrói sua própria vida – então escolha o caminho certo.
/ Se isso foi útil – siga /
