Grafo de conhecimento ou banco vetorial para IA?

Duas buscas parecidas podem exigir arquiteturas diferentes

Uma equipe quer perguntar quais clientes usam um produto afetado por determinada versão, quais contratos possuem uma cláusula relacionada e quem responde por cada conta. Outra equipe quer localizar, em milhares de chamados, relatos semanticamente próximos de um problema recente.

As duas tarefas procuram contexto. A primeira depende de relações explícitas entre clientes, produtos, contratos, versões e responsáveis. A segunda depende da semelhança de significado entre textos escritos de formas diferentes.

Um grafo de conhecimento atende melhor a perguntas que percorrem entidades e vínculos conhecidos. Um banco vetorial atende melhor a perguntas que procuram conteúdo por proximidade semântica. Tratar os dois como substitutos leva a projetos que respondem bem à demonstração e mal à operação.

A escolha deve partir da pergunta, do tipo de evidência exigida e da forma como a empresa mantém seus dados. Em muitos sistemas, os componentes trabalham juntos, cada um com uma responsabilidade delimitada.

O que um grafo de conhecimento organiza

Um grafo representa entidades e as relações entre elas. Entidades podem ser clientes, pessoas, produtos, contratos, equipamentos, unidades, documentos, processos ou políticas. Relações descrevem como esses objetos se conectam.

Um recorte comercial poderia registrar:

empresa A possui contrato B;
contrato B cobre produto C;
produto C usa versão D;
pessoa E responde pela conta A;
chamado F menciona produto C;
política G governa o atendimento daquele contrato.

A estrutura permite atravessar esses vínculos. A consulta deixa de procurar apenas registros com palavras parecidas e passa a perguntar quais objetos possuem determinada conexão.

O grafo também pode guardar propriedades, como vigência, status, classificação, origem e identificador no sistema oficial. Isso ajuda a limitar uma consulta a relações válidas naquele momento.

O que ele entrega bem

Grafos são úteis quando a empresa precisa:

navegar dependências entre objetos;
descobrir impacto de uma mudança;
reconciliar nomes e identificadores entre sistemas;
explicar o caminho que levou a um resultado;
aplicar restrições baseadas em relações;
localizar responsáveis, contratos e ativos conectados;
consultar vários saltos sem juntar tabelas manualmente a cada pergunta.

A resposta pode preservar o caminho. Por exemplo: cliente afetado porque possui contrato ativo que inclui um produto executado numa versão específica. Essa cadeia ajuda uma pessoa a conferir a conclusão.

O que um banco vetorial organiza

Um banco vetorial armazena representações numéricas de textos, imagens ou outros conteúdos. A busca compara a representação da pergunta com os itens indexados e recupera candidatos semanticamente próximos.

Ele ajuda quando a linguagem varia. Um cliente pode escrever "a tela trava ao finalizar" enquanto o procedimento usa "falha na confirmação do pedido". A busca vetorial aproxima os trechos mesmo sem correspondência literal.

Esse mecanismo funciona bem para:

manuais e políticas extensas;
históricos de atendimento;
contratos e documentos com redações variadas;
atas, pesquisas e relatos abertos;
catálogos descritos em linguagem natural;
recuperação de trechos para RAG.

O resultado continua sendo um conjunto de candidatos. Similaridade não comprova vigência, autoridade, identidade ou relação de negócio. Metadados e filtros precisam acompanhar cada trecho.

O guia sobre banco vetorial para agentes de IA detalha busca textual, semântica e híbrida, incluindo filtros, qualidade e manutenção.

A diferença central está no tipo de pergunta

A comparação fica mais clara quando se observa a forma da consulta.

Pergunta por relação

"Quais fornecedores entregam componentes usados nos produtos vendidos aos clientes da carteira sul?"

A resposta exige percorrer vínculos entre fornecedor, componente, produto, cliente e carteira. Um grafo consegue representar esse caminho de forma explícita.

Pergunta por semelhança

"Quais relatos de clientes descrevem um problema parecido com esta falha?"

A resposta depende do significado de textos livres. Vetores ajudam a encontrar formulações diferentes que descrevem situações próximas.

Pergunta por fato estruturado

"Quais pedidos estão vencidos há mais de cinco dias?"

A resposta pede campos, datas, status e uma regra reproduzível. SQL ou API de domínio costuma ser o mecanismo adequado. Grafo e vetor podem participar do contexto, mas não deveriam substituir o registro transacional.

Pergunta combinada

"Quais clientes afetados por esta versão registraram reclamações parecidas nas últimas duas semanas?"

O grafo identifica clientes, produtos e versões relacionados. A busca vetorial encontra reclamações semanticamente próximas. O sistema transacional confirma data e status. A arquitetura combina mecanismos sem obrigar um deles a fingir que resolve tudo.

Comparação prática

| Critério | Grafo de conhecimento | Banco vetorial | |---|---|---| | unidade principal | entidade e relação | trecho ou item representado por embedding | | consulta forte | caminho, dependência e vizinhança | semelhança de significado | | evidência | relações e propriedades percorridas | fonte e trecho recuperados | | atualização | alteração de entidade, vínculo ou propriedade | nova indexação ou atualização do vetor | | falha comum | relação ausente, errada ou vencida | trecho parecido, mas inadequado | | controle de acesso | pode usar tipo, vínculo e propriedade | depende de metadados e filtros antes da recuperação | | melhor uso | impacto, dependência, identidade e contexto conectado | busca em linguagem variável e conteúdo não estruturado | | operação | ontologia, resolução de entidades e sincronização | preparação de conteúdo, embeddings e avaliação de recuperação |

Nenhuma coluna indica uma tecnologia universalmente superior. Cada uma assume um tipo de trabalho e cria sua própria carga de manutenção.

Quando escolher um grafo de conhecimento

As relações fazem parte da resposta

Se o valor da consulta depende de saber como os objetos se conectam, o grafo merece avaliação. Isso ocorre em análise de impacto, fraude, supply chain, gestão de ativos, permissões, atendimento complexo e investigação de dependências.

A explicação precisa mostrar o caminho

Algumas decisões pedem uma cadeia verificável. A pessoa precisa saber que o agente chegou ao fornecedor por causa do componente, do produto e do contrato. Mostrar somente um score de proximidade oferece pouca sustentação.

Os mesmos objetos aparecem em vários sistemas

CRM, ERP, contratos e suporte podem usar identificadores diferentes para a mesma empresa ou produto. Um grafo pode manter referências e relações entre esses registros, desde que a empresa defina como resolver identidades e conflitos.

Isso não transforma o grafo na nova fonte universal. O CRM pode continuar governando a oportunidade, o ERP governando o pedido e o repositório contratual governando a versão assinada. O grafo preserva ligações e aponta para a autoridade de cada objeto.

A autorização depende do contexto

Um agente pode consultar um documento porque atende aquela carteira, participa daquele projeto e possui uma função válida. Essas relações podem compor a política de acesso. O ponto de aplicação ainda deve usar uma decisão de autorização testável, conforme o guia de policy as code para agentes de IA.

Quando escolher um banco vetorial

A linguagem varia entre pergunta e fonte

Documentos e mensagens descrevem o mesmo assunto com vocabulários distintos. Busca semântica ajuda a recuperar candidatos sem exigir uma taxonomia perfeita na entrada.

O conteúdo principal é textual e pouco estruturado

Políticas, manuais, chamados e atas carregam significado no texto. Transformar cada frase em entidades e relações antes de provar a necessidade pode consumir muito trabalho de modelagem.

O caso pede recuperação para resposta com fonte

Um fluxo de RAG pode localizar trechos relevantes e apresentá-los ao modelo. A saída deve manter referência ao documento, versão, vigência e escopo. O artigo sobre RAG ou fine-tuning para empresas ajuda a separar recuperação de conhecimento e ajuste de comportamento.

A pergunta aceita candidatos para validação

Busca vetorial funciona melhor quando a etapa seguinte consegue avaliar os resultados. Ela é menos adequada quando o primeiro item recuperado vira autorização, cálculo ou alteração crítica sem confirmação adicional.

Quando combinar grafo e vetores

A combinação faz sentido quando a tarefa precisa de relações explícitas e linguagem variável.

Considere um agente de suporte a equipamentos industriais. O sistema precisa saber qual modelo está instalado no cliente, quais peças compõem aquela configuração, qual contrato está ativo e quem pode solicitar atendimento. Também precisa encontrar procedimentos e chamados parecidos com o sintoma descrito.

Um fluxo combinado pode seguir esta sequência:

identificar cliente, contrato e equipamento em fontes autorizadas;
percorrer o grafo para localizar modelo, versão, componentes e escopo de suporte;
transformar essas relações em filtros obrigatórios;
buscar semanticamente apenas documentos e casos permitidos;
reclassificar os candidatos;
apresentar evidências com fonte e caminho relacional;
preparar diagnóstico ou próxima ação;
manter decisões de risco com o responsável adequado.

O grafo restringe o universo e explica relações. O vetor procura linguagem parecida dentro desse universo. A combinação reduz ruído quando os filtros representam fatos confiáveis.

Também existe o caminho inverso. Uma busca vetorial encontra documentos candidatos, e uma etapa de extração propõe novas entidades ou relações. Essas propostas não deveriam entrar no grafo como fatos confirmados sem validação, origem e regra de atualização.

O custo escondido do grafo está na modelagem

Uma demonstração pode carregar dezenas de entidades já organizadas. A empresa real precisa decidir o que cada entidade significa, qual identificador prevalece e como tratar divergências.

Ontologia

A ontologia define tipos de entidades, relações, propriedades e restrições. Se for genérica demais, pouco ajuda. Se tentar representar toda a empresa, vira um programa longo sem usuário claro.

Comece pelas perguntas que o primeiro caso precisa responder. Modele apenas os objetos e vínculos necessários para essas decisões.

Resolução de entidades

"ACME Ltda.", "Acme Brasil" e um CNPJ específico podem representar a mesma organização ou organizações diferentes. Mesclar incorretamente contamina as relações seguintes.

Use identificadores fortes, regras de correspondência e revisão para casos ambíguos. Preserve a origem de cada ligação.

Sincronização

Contratos vencem, pessoas mudam de função e produtos recebem novas versões. O grafo precisa refletir essas mudanças dentro da janela exigida pelo processo.

A freshness de dados para agentes de IA ajuda a definir quando uma relação ainda pode sustentar uma decisão e quando deve ser atualizada ou bloqueada.

Governança de relações

Cada relação relevante precisa de fonte, data, método de criação, confiança operacional e responsável pela correção. Relação inferida pelo modelo deve ser distinguida de vínculo confirmado em sistema oficial.

O custo escondido do vetor está na recuperação

Bancos vetoriais parecem simples depois que os documentos foram indexados. A qualidade depende de decisões que continuam mudando.

Divisão do conteúdo

Trechos pequenos podem separar regra e exceção. Trechos grandes aumentam ruído e custo. A unidade precisa acompanhar a pergunta e a estrutura da fonte.

Metadados

Cliente, produto, idioma, versão, vigência, classificação e permissão precisam seguir junto do trecho. Sem metadados, a busca encontra conteúdo próximo fora do contexto correto.

Modelo de embedding

Trocar o modelo pode exigir reindexação e nova avaliação. O índice é um derivado da fonte, não um ativo independente que deve existir sem capacidade de reconstrução.

Conjunto de avaliação

A equipe precisa testar perguntas reais, casos sem resposta, códigos, negações, versões próximas e conteúdos proibidos. Uma taxa média esconde falhas concentradas em perguntas críticas.

Segurança e privacidade pedem controles antes da busca

O agente não deve recuperar todo o conteúdo e filtrar depois. A restrição precisa reduzir o universo antes que dados cheguem ao modelo, ao reranker ou ao log.

Num grafo, verifique identidade, tipo de relação, objeto, cliente, ambiente e finalidade antes de permitir a travessia. Num banco vetorial, aplique filtros de metadados e separação de índices antes da recuperação. Em ambos, teste consultas que tentam atravessar cliente, unidade ou classificação.

Também limite o que fica registrado. Caminhos do grafo podem revelar relações sensíveis. Trechos recuperados podem conter dados pessoais ou contratuais. Logs devem preservar evidência suficiente para auditoria sem copiar conteúdo desnecessário.

O guia sobre isolamento de clientes em agentes de IA cobre índices, caches, filas, observabilidade e administração compartilhada.

Como executar uma prova de conceito comparável

1. Liste perguntas reais

Separe consultas relacionais, semânticas, estruturadas e combinadas. Inclua perguntas que o sistema deve recusar ou declarar sem evidência.

2. Defina a resposta aceitável

Registre quais entidades, relações, trechos, fontes e explicações precisam aparecer. Declare os erros críticos.

3. Monte a linha de base mais simples

Teste SQL, API e busca textual antes de adicionar componentes. Uma nova tecnologia precisa resolver uma lacuna observada.

4. Teste o grafo

Meça precisão das entidades, correção dos vínculos, cobertura dos caminhos, atualização e capacidade de explicar a resposta.

5. Teste o vetor

Meça recuperação do trecho adequado, ausência correta, respeito aos filtros, latência e custo.

6. Teste a combinação

Verifique se a qualidade adicional compensa ingestão, sincronização, operação e diagnóstico mais complexos.

7. Simule mudanças

Altere contrato, versão, permissão e documento. Confirme quanto tempo cada camada leva para refletir a mudança e se o conteúdo antigo deixa de sustentar respostas.

8. Decida pelo processo completo

Compare tempo humano, correções, explicabilidade, carga de manutenção e custo por unidade concluída. Um componente pode melhorar a busca e piorar a operação quando exige curadoria que ninguém assumiu.

Erros comuns na escolha

Usar grafo como nova fonte de verdade

Copiar todos os registros para o grafo cria outro lugar para resolver conflitos. Defina autoridade por objeto e mantenha o grafo como camada de relações, contexto e consulta quando esse for seu papel.

Usar vetor para responder relação exata

Similaridade não prova que uma pessoa responde por uma conta, que um componente pertence a um produto ou que um contrato cobre uma unidade.

Criar uma ontologia corporativa antes do caso

Modelar tudo pode consumir meses sem produzir uma decisão melhor. Comece por um conjunto estreito de perguntas e expanda com uso comprovado.

Indexar documentos sem operação editorial

Fonte sem dono, versão ou vigência produz recuperação inconsistente. A base de conhecimento para agentes de IA precisa governar publicação, correção e retirada.

Somar tecnologias para parecer robusto

Grafo, vetor, reranker e modelo maior não compensam entidade mal identificada, fonte vencida ou regra ausente. Cada camada precisa ter uma função e um teste próprio.

Checklist de decisão

A pergunta depende de relações explícitas ou de semelhança de linguagem?
Existe um fato estruturado que deveria vir de SQL ou API?
A resposta precisa mostrar um caminho entre entidades?
O conteúdo muda com que frequência?
Identificadores são consistentes entre sistemas?
Relações inferidas ficam separadas das confirmadas?
Trechos carregam fonte, versão, vigência e permissão?
O acesso é filtrado antes da consulta?
O índice pode ser reconstruído das fontes oficiais?
Existe dono para ontologia, entidades e relações?
Existe dono para conteúdo, embeddings e avaliação?
Casos sem evidência foram testados?
A combinação melhora a unidade de trabalho completa?
O custo inclui sincronização, curadoria e correção?

Escolha a camada pelo trabalho que ela consegue provar

Grafos de conhecimento ajudam agentes a percorrer relações explícitas e explicar dependências. Bancos vetoriais ajudam a recuperar conteúdo semanticamente próximo em fontes não estruturadas. SQL, APIs e busca textual continuam necessários quando a pergunta exige fato, cálculo ou correspondência exata.

Comece pelas consultas reais. Separe relação, semelhança e fato estruturado. Depois escolha o menor conjunto de componentes que entrega resposta verificável, acesso controlado e manutenção que a equipe consegue sustentar.