A Engenharia de Grafos substituiu o RAG na Microsoft, Stanford e Anthropic. Veja como funciona.

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 independentemente — e que a maioria dos desenvolvedores ainda não assimilou.

O RAG tradicional encontra texto. A Engenharia de Grafos encontra relacionamentos. Aqui está o sistema completo por trás disso.

Marque isto e acompanhe

- Sou Sprytix, um desenvolvedor que constrói sistemas de IA e pipelines de automação que transformam tecnologia em renda real. DMs abertas.

Por que o RAG tradicional atinge um teto

O RAG tradicional funciona assim:

1Pergunta
2↓
3Buscar documentos por texto correspondente
4↓
5Retornar os trechos mais relevantes
6↓
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. Não encontra a cadeia de causalidade.

1RAG answer:
2Here are 5 documents mentioning sales in March.
3
4Graph Engineering answer:
5Sales dropped because of a release delay
6caused by a supplier dependency
7triggered by a warehouse problem
8which generated negative reviews
9which reduced conversion by 23%.

Mesmo modelo. Mesmos dados. Resultado completamente diferente — porque um sistema busca texto e o outro busca a realidade.

Isso é o que Microsoft, Stanford e Anthropic descobriram independentemente. E é por isso que os três migraram para a Engenharia de Grafos.

Documento 1 — Microsoft GraphRAG

1. github.com/microsoft/graphrag
2. github.com/microsoft/graphrag/blob/main/docs/index/architecture.md

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 Engenharia de Grafos realmente entrega em comparação com o RAG tradicional.

A arquitetura converte texto não estruturado em um grafo de conhecimento completo:

1Load Documents
2↓
3Chunk Documents
4↓
5Extract Entities and Relations
6↓
7Build Graph
8↓
9Detect Communities
10↓
11Generate Community Reports
12↓
13Embed Entities and Reports
14↓
15Local Search / Global Search

O insight principal documentado pela Microsoft: 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, quais padrões conectam esses 10.000 documentos.

A Engenharia de Grafos responde a ambas.

1Local Search   |  what happened with supplier X in March
2               |  finds specific node and its connections
3
4Global Search  |  what are the main risk patterns across
5               |  all our supplier relationships
6               |  finds patterns across entire graph

Resultados práticos da pesquisa GraphRAG da Microsoft:

1Accuracy improvement    |  18% higher than raw document approach
2Token cost reduction    |  85% lower than loading structured files directly
3Cost per task           |  approximately $0.004 in tested configuration

arxiv.org/abs/2603.22528

Esses números vêm do artigo ChatP&ID — GraphRAG aplicado a diagramas de engenharia industrial. Os mesmos princípios se aplicam entre domínios.

Documento 2 — Stanford DSPy e a conexão com grafos

1. github.com/stanfordnlp/dspy
2. arxiv.org/abs/2310.03714

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 Engenharia de Grafos.

O DSPy trata o pipeline de IA como um grafo de módulos:

1Question
2↓
3Retriever      - finds relevant information
4↓
5Reasoning      - processes and connects
6↓
7Verifier       - checks the result
8↓
9Answer

A conexão com a Engenharia de Grafos 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, e não como a solução inteira.

O artigo STORM de Stanford vai além:

1. github.com/stanford-oval/storm
2. arxiv.org/abs/2402.14207

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, escrita, verificação, revisão — cada etapa informada pelos relacionamentos descobertos na anterior.

O insight compartilhado em toda a pesquisa 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

arxiv.org/abs/2505.16276

Este artigo comparou 26 modelos open-source em tarefas de engenharia de grafos de conhecimento. A conclusão é uma das mais importantes na área:

1Larger model + bad graph   |  worse results
2Smaller model + good graph |  better results

O grafo certo vence 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 em torno do modelo determina mais a saída do que o próprio modelo. A Engenharia de Grafos 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 trechos de texto.

1Text Context
2↓
3Retrieve Relevant Relations from Graph
4↓
5Relational Memory
6↓
7Language Model
8↓
9More coherent, more accurate generation

A descoberta principal: 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 de por que a Engenharia de Grafos 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

1. direct.mit.edu/tacl/article-abstract/doi/10.1162/tacl_a_00360/98089
2. github.com/THU-KEG/KEPLER

O KEPLER combina treinamento de modelo de linguagem com embeddings de grafo de conhecimento. Em vez de tratar compreensão de linguagem e conhecimento factual como problemas separados — o KEPLER otimiza ambos simultaneamente.

1Language Model
2+
3Knowledge Embeddings
4+
5Knowledge Graph
6=
7Model that understands both language and facts

A implicação prática: um modelo que tem acesso a um grafo de conhecimento bem 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

1. www.anthropic.com/customers/graph
2. github.com/anthropics/anthropic-cookbook
3. github.com/modelcontextprotocol

A Anthropic não tem um produto chamado "Engenharia de Grafos". O que ela tem são três camadas onde o Claude se integra diretamente à arquitetura de grafos.

Camada 1 — Claude extrai o grafo do texto

1Documents
2↓
3Claude extracts entities and relationships
4↓
5JSON triples:
6{
7  "subject": "Anthropic",
8  "relation": "created",
9  "object": "Claude"
10}
11↓
12Knowledge Graph

O Claude lida com extração de entidades, extração de relacionamentos, deduplicação, normalização e elaboração de ontologia. As tarefas que exigiam pipelines especializados de PLN agora rodam em uma única chamada de API.

Camada 2 — Claude consulta o grafo

1User Question
2↓
3Claude
4↓
5Cypher / SPARQL query
6↓
7Knowledge Graph
8↓
9Result
10↓
11Claude explanation in plain language

O Claude traduz linguagem natural em consultas de grafo, executa-as contra o Neo4j ou qualquer banco de dados de grafos 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

1Claude
2↓
3MCP Protocol
4↓
5Graph Database
6↓
7Entities + Relationships
8↓
9Claude with full graph context

O MCP é a camada de transporte que dá ao Claude acesso permanente a qualquer grafo de conhecimento sem precisar 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.

1GitHub commits
2+
3Jira tickets
4+
5Linear tasks
6↓
7Graph of Engineering Work
8↓
9Claude
10↓
11Incident Detection + Project Insights

Resultados do estudo de caso da Anthropic:

1Incident detection     |  up to 5x faster
2Meeting time           |  approximately 50% reduction
3Release notes          |  generated automatically in seconds

Esses números vêm da conexão de dados de relacionamento estruturados — não apenas da busca 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:

1Subject → Relation → Object

Exemplos:

1Anthropic → created → Claude
2Claude → supports → MCP
3MCP → connects → external tools
4Microsoft → built → GraphRAG
5GraphRAG → reduces token cost by → 85%

Cada informação é um relacionamento explícito entre duas entidades. Não um parágrafo de texto que pode conter essa informação — um fato explícito, estruturado e consultável.

1Regular database:
2Table of companies
3Table of products
4No explicit relationships between them
5
6Knowledge graph:
7Company → created → Product
8Product → competes with → Other Product
9Other Product → owned by → Other Company
10Company → invested in → Other Company

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 Engenharia de Grafos

1Step 1  |  Collect raw documents
2        |  PDFs, emails, reports, database exports
3
4Step 2  |  Extract entities
5        |  people, companies, products, events, concepts
6
7Step 3  |  Extract relationships
8        |  who did what to whom, when, why, how
9
10Step 4  |  Build schema
11        |  define entity types and relationship types
12
13Step 5  |  Deduplicate and normalize
14        |  "Microsoft Corp" and "MSFT" are the same entity
15
16Step 6  |  Store in graph database
17        |  Neo4j, Amazon Neptune, PostgreSQL with graph extension
18
19Step 7  |  Build retrieval layer
20        |  local search for specific entities
21        |  global search for patterns across entire graph
22
23Step 8  |  Connect model
24        |  Claude queries graph via MCP or direct API
25
26Step 9  |  Update continuously
27        |  new documents expand the graph
28        |  contradictions get flagged for review

O artigo LLM-assisted Knowledge Graph Engineering em arxiv.org/abs/2307.06917 avalia 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 Engenharia de Grafos não elimina prompts. Ela os usa em cada estágio específico do pipeline de grafos.

Prompt 1 — Extração

1Extract all organizations, people, products and events.
2
3For each entity return:
4- canonical_name
5- type
6- description
7- source
8
9For each relationship return:
10- source_entity
11- relation_type
12- target_entity
13- evidence
14- confidence_score

Prompt 2 — Normalização

1Compare the following entities.
2Determine whether they refer to:
3- the same entity
4- related but different entities
5- unrelated entities
6
7Return canonical name and explanation.
8Do not merge entities without clear evidence.

Prompt 3 — Consulta ao grafo

1Translate the user question into a Cypher query.
2Use only relationships present in the schema.
3Do not invent labels or properties.
4Return the query and a short explanation of the logic.

Prompt 4 — Resposta fundamentada

1Answer using only the retrieved graph paths.
2For every conclusion:
3- identify the supporting nodes
4- identify the relationship path
5- state uncertainty clearly
6- do not infer causation from correlation

Prompt 5 — Manutenção do grafo

1Compare new facts with the existing graph.
2Classify each fact as:
3- new
4- duplicate
5- contradiction
6- update
7- uncertain
8
9Do not overwrite existing facts without evidence.

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 sua concorrente.

Cinco negócios que você pode construir com um grafo de conhecimento

1 — Plataforma de due diligence

1Corporate reports + founders + investors
2+ legal cases + subsidiaries + transactions
3↓
4Knowledge Graph
5↓
6Claude
7↓
8Risk analysis + hidden connections + conflict of interest detection

Clientes: fundos de investimento, escritórios de advocacia, bancos, consultores de M&A. Retenção mensal de $2.000 a $10.000 por cliente.

2 — Inteligência de vendas

1Contacts + companies + roles
2+ previous emails + company problems + product
3↓
4Knowledge Graph
5↓
6Who influences the decision
7Which objections repeat
8Which case study to show this specific client
9Where the deal is blocked

3 — Inteligência de engenharia

1GitHub commits + Jira tickets + Linear tasks
2↓
3Graph of Engineering Work
4↓
55x faster incident detection
650% less meeting time
7Automatic release notes

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

1Papers + authors + institutions
2+ methods + datasets + results + contradictions
3↓
4Knowledge Graph
5↓
6Which GraphRAG methods use community detection
7On which datasets they were tested
8Which papers contradict each other

5 — SO de conhecimento pessoal

1Obsidian notes + emails + calendar
2+ PDFs + contacts + tasks
3↓
4Personal Knowledge Graph
5↓
6Who did I discuss this idea with
7Which tasks depend on one person's response
8Which decisions contradict previous agreements
9What did I promise to do this month

A mudança que conecta Microsoft, Stanford e Anthropic

1Prompt Engineering   |  how to ask the right question
2RAG                  |  which document to find
3Graph Engineering    |  which entities exist
4                     |  how they connect
5                     |  which path leads to the answer
6                     |  what changes if one node changes

O LLM conhece palavras. O grafo de conhecimento conhece relacionamentos. Os sistemas de IA mais poderosos aparecem quando ambos trabalham juntos.

A Microsoft provou isso em produção com o GraphRAG — 18% mais precisão, 85% menos custos. Stanford provou em pesquisa com DSPy, STORM e o artigo sobre leis de escala. A Anthropic provou no caso LaunchNotes — detecção de incidentes 5x mais rápida, 50% menos tempo em reuniões.

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 buscar documentos.

/ Se isso foi útil — siga, o próximo sai aqui primeiro.