Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
IndústriaAnálise · No radarMachine Learning Mastery→ original

Graph-RAG: banco de dados vale mais que wiki e PDF — em média 44% menos alucinações

Às 11 da noite, o assistente aponta como plantonista do serviço de pagamentos o nome que consta na wiki, que ninguém edita há quatro meses, embora o banco de dados já registre outra pessoa. Graph-RAG é um tipo de busca em que fatos do banco, da wiki e de PDFs são ranqueados por nível de confiança, e a regra “em caso de disputa, vale o banco” está escrita no prompt. Segundo a IDC, em estudo feito para a Neo4j, o contexto em grafo reduz as alucinações em 44% em média. A conclusão prática: dê a cada fonte uma prioridade e um rótulo de origem.

Processado por IA de Machine Learning Mastery; editado por Hamidun News
Graph-RAG: banco de dados vale mais que wiki e PDF — em média 44% menos alucinações
Fonte: Machine Learning Mastery. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalMachine Learning Mastery ↗
Editor-chefe
Dado-chave #1A wiki indica Jordan Blake como plantonista, o banco indica Amara Chen; o banco prevalece
Níveisbanco (prioridade 1), wiki (2), PDF no Chroma (3)
Dado-chave #3Em uma empresa de life sciences, as alucinações caíram de 20–40% para 2–5%

Imagine a cena: às 11 da noite, uma engenheira pergunta ao assistente interno de IA quem está de plantão no serviço de pagamentos. O assistente leu a wiki, indexou todos os PDFs do drive compartilhado e está conectado ao registro de serviços. A pergunta é trivial, mas a wiki foi editada há quatro meses, a escala de plantões mudou duas vezes desde então, e a resposta atual está em uma única linha do banco de dados.

Se a busca trata todas as fontes como texto igualmente confiável, o assistente pode citar alguém que há muito saiu da rotação. É esse o problema que o Graph-RAG resolve: o nome designa um RAG (busca em documentos com inserção do que foi encontrado no prompt do modelo) em que os fatos são guardados como relações e separados por níveis de confiança. Shittu Olumide, autor da análise publicada no Machine Learning Mastery, cita também uma estimativa: de acordo com um estudo da IDC patrocinado pela Neo4j, organizações que usam contexto em grafo reduzem em média em 44% a taxa de alucinações (respostas inventadas).

Na prática, isso significa que, quando as fontes divergem, o assistente deve confiar no banco, e não na wiki.

Por que a busca vetorial comum erra

A ideia vem de um artigo anterior do mesmo autor, sobre um Graph-RAG determinístico de três níveis. Nele, um RAG puramente vetorial se confundia sobre em qual time um jogador de basquete jogava no momento: no espaço de embeddings, os nomes dos times ficam próximos, e a busca não sabe qual deles é o atual. A solução são três níveis de busca: um grafo de fatos absolutos, um grafo de estatísticas de contexto e um banco vetorial. Os resultados são reunidos em uma única resposta por regras explícitas de prioridade, escritas diretamente no prompt, e não embutidas em um algoritmo de roteamento.

Três fontes, três níveis de confiança

O cenário é didático: a equipe de plataforma fictícia Northwind tem três serviços — payments-service, checkout-service e notifications-service.

  • Prioridade 1 — registro de serviços (CMDB). No exemplo, é um SQLite; em produção, seria um Postgres. Ali ficam o responsável, o engenheiro de plantão, o status, a versão, a data do deploy e o nível de SLA. Os dados são consultados a cada requisição, então, por construção, não ficam defasados.
  • Prioridade 2 — procedimentos da wiki. São detalhados, mas ficam desatualizados quando ninguém os revisa depois de uma troca de plantonistas. Servem enquanto não contradizem uma fonte mais recente.
  • Prioridade 3 — PDFs. O documento de SLA e a análise de um incidente. Não trazem fatos objetivos, mas contam o que aconteceu; esse nível funciona como alternativa vetorial de reserva.

O exemplo traz um conflito proposital: o procedimento da wiki para o payments indica Jordan Blake como plantonista, enquanto o banco indica Amara Chen. Toda a arquitetura existe por causa de divergências como essa. Outro serviço, o notifications-service, está marcado no banco como deprecated (em descontinuação), o que será útil adiante.

Como a solução é montada

Os fatos do banco e da wiki são organizados em um armazenamento simples de “quádruplas”: sujeito, predicado, objeto e contexto (SPOC). O contexto é o rótulo da fonte: “cmdb” ou o nome da página da wiki, de modo que qualquer divergência pode ser rastreada até um documento específico. O autor escreveu esse armazenamento do zero, e ele funciona por varredura completa. A biblioteca original indexa os campos para busca rápida, o que importa com milhões de fatos, mas para o catálogo de uma única equipe a varredura é suficiente.

A wiki é processada com expressões regulares, linha a linha, em padrões como “On-call engineer: …”. O autor avisa que uma exportação real do Confluence não será tão organizada, então em produção será preciso ampliar os padrões para cada tipo de página ou adicionar uma passagem leve por um LLM para páginas de formato fora do padrão.

Para os PDFs, são usados o pdfplumber, que extrai texto com mais confiabilidade do que muitas alternativas leves, e o banco vetorial Chroma. A biblioteca spaCy reconhece entidades nomeadas para extrair da pergunta os nomes dos serviços. O modelo do exemplo é local: llama3.2 via Ollama; migrar para uma API em nuvem muda apenas a função que envia a requisição final.

O que fazer com isso

A principal lição não está na escolha do banco vetorial, mas no ranqueamento das fontes. Uma linha do registro, atualizada pelo próprio sistema, é mais confiável que uma página da wiki, e a wiki é mais confiável que um parágrafo de um PDF antigo. O rótulo de origem em cada fato também permite mostrar ao usuário de onde veio a resposta.

Os números pedem uma leitura cuidadosa: o estudo da IDC foi patrocinado pela Neo4j, fornecedora de bancos de dados em grafo. O autor cita ainda um exemplo: uma empresa de life sciences reduziu a taxa de alucinações de 20–40% para 2–5%. Isso serve como referência, não como garantia; o resultado depende da qualidade dos seus dados.

Há também limitações. A regra de prioridade no prompt é apenas uma instrução para o modelo, e um modelo local pequeno pode descumpri-la. Se o conflito pode ser resolvido por código (por exemplo, não entregar o fato da wiki para o mesmo predicado quando existe um fato do CMDB), essa abordagem é mais segura. As expressões regulares só funcionam em páginas padronizadas, e o exemplo didático tem apenas três serviços, portanto carga e qualidade em um corpus real precisarão ser testadas separadamente. O texto original é interrompido neste ponto, na etapa dos PDFs, por isso os detalhes da montagem do prompt não são apresentados aqui.

História

Perguntas frequentes sobre a notícia

Por que a busca vetorial comum erra?

A ideia vem de um artigo anterior do mesmo autor, sobre um Graph-RAG determinístico de três níveis. Nele, um RAG puramente vetorial se confundia sobre em qual time um jogador de basquete jogava no momento: no espaço de embeddings, os nomes dos times ficam próximos, e a busca não sabe qual deles é o atual. A solução são três níveis de busca: um grafo de fatos absolutos, um grafo de estatísticas de contexto e um banco vetorial.

O que se sabe sobre Três fontes, três níveis de confiança?

O cenário é didático: a equipe de plataforma fictícia Northwind tem três serviços — payments-service, checkout-service e notifications-service. Prioridade 1 — registro de serviços (CMDB). No exemplo, é um SQLite; em produção, seria um Postgres. Ali ficam o responsável, o engenheiro de plantão, o status, a versão, a data do deploy e o nível de SLA. Os dados são consultados a cada requisição, então, por construção, não ficam defasados. Prioridade 2 — procedimentos da wiki.

Como a solução é montada?

Os fatos do banco e da wiki são organizados em um armazenamento simples de “quádruplas”: sujeito, predicado, objeto e contexto (SPOC). O contexto é o rótulo da fonte: “cmdb” ou o nome da página da wiki, de modo que qualquer divergência pode ser rastreada até um documento específico. O autor escreveu esse armazenamento do zero, e ele funciona por varredura completa.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…