A maioria das pessoas usa IA como um motor de busca caro. Abre um chat, faz uma pergunta, obtém uma resposta, fecha o separador. No dia seguinte, começam do zero porque a IA não se lembra de nada.
Mas há programadores a ganhar 10.000 a 20.000 dólares por mês simplesmente porque o seu sistema de IA responde duas vezes mais rápido, dá respostas mais precisas e custa 85% menos que os concorrentes. Eles não estão a usar nenhum modelo secreto. Construíram a arquitetura certa em torno de um modelo normal.
Chama-se Kimi K3 + Graph Engineering. A Microsoft passou anos a provar que funciona - 85% menos custos, 18% melhor precisão.
Eis como construir isto do zero numa semana.
Porque é que o RAG normal deixa de funcionar a certa altura
A maioria dos programadores constrói sistemas de IA da mesma maneira. O utilizador pergunta algo, o sistema pesquisa documentos, encontra fragmentos de texto semelhantes, o modelo gera uma resposta. Funciona bem para perguntas simples. Desmorona-se completamente para perguntas complexas.
Pergunta "porque é que as nossas vendas caíram em março?" e o RAG normal encontra documentos com as palavras "vendas" e "março". Encontra fragmentos. Não encontra a cadeia de causas.
1Resposta do RAG normal:2Aqui estão 5 documentos que mencionam vendas em março.34Resposta do Graph Engineering:5As vendas caíram devido a um atraso no lançamento6causado por um problema de fornecedor7desencadeado por uma falha no armazém8que gerou críticas negativas9que reduziu a conversão em 23%.
Mesmo modelo. Mesmos dados. Resultado completamente diferente - porque um sistema pesquisa texto e o outro pesquisa conexões entre factos reais.
Isto é o que a Microsoft, Stanford e a Anthropic descobriram de forma independente. E é por isso que os programadores que entendem isto estão a avançar mais rápido que todos os outros.
O que é realmente um grafo de conhecimento
Um grafo de conhecimento armazena informação como triplos:
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 pedaço de informação é uma conexão explícita entre duas entidades. Não é um parágrafo de texto que pode conter esta informação algures - é um facto estruturado que podes consultar diretamente.
1Base de dados normal:2Tabela de empresas3Tabela de produtos4Sem conexões explícitas entre eles56Grafo de conhecimento:7Empresa → criou → Produto8Produto → compete com → Outro Produto9Outro Produto → propriedade de → Outra Empresa10Empresa → investiu em → Outra Empresa
O grafo não armazena apenas factos. Armazena como os factos se conectam uns aos outros. É isso que torna o raciocínio complexo possível - e o que o RAG normal nunca consegue fazer, por melhor que seja o modelo.
O Stanford AI Lab define um grafo de conhecimento como uma base de dados estruturada onde a informação é representada como uma rede de entidades e relações em triplos sujeito-relação-objeto. Usado em pesquisa, recomendações e tarefas onde precisas de encontrar conexões indiretas.
Porque é 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. Isto não é apenas um número impressionante - é uma vantagem arquitetónica especificamente para Graph Engineering.
Um grafo devolve subgrafos, cadeias de evidência, listas de entidades conectadas. Tudo isto ocupa espaço na janela de contexto. Com um contexto pequeno, tens de cortar o grafo. Com um milhão de tokens, a parte relevante do grafo cabe numa sessão.
1Arquitetura do Kimi K3:22,8 biliões de parâmetros totais3896 especialistas em MoE, 16 ativos por token4Janela de contexto de 1.048.576 tokens5Análise de imagem nativa6Kimi Delta Attention para sequências longas7Resíduos de Atenção para preservar sinais entre camadas
Kimi Delta Attention é um mecanismo híbrido que reduz o custo de trabalhar com sequências longas. Para Graph Engineering, isto significa que o sistema pode passar ao modelo grandes subgrafos, longas listas de evidências, dezenas de documentos e estrutura de repositório 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
O Kimi K3 dá escala e raciocínio. O Graph Engineering dá memória e estrutura. Juntos, resolvem problemas diferentes ao mesmo tempo.
Documento 1 - Microsoft GraphRAG
A Microsoft construiu o GraphRAG e tornou-o open-source. Os números da sua investigação são a evidência mais concreta disponível sobre o que o Graph Engineering realmente entrega versus o RAG normal.
A arquitetura converte texto não estruturado num grafo de conhecimento completo:
1Carregar documentos2↓3Fragmentar documentos4↓5Extrair entidades e relações6↓7Construir grafo8↓9Detetar comunidades10↓11Gerar relatórios de comunidade12↓13Incorporar entidades e relatórios14↓15Pesquisa Local / Pesquisa Global
Ideia chave da Microsoft: o RAG normal responde bem a perguntas locais - encontra informação sobre esta entidade específica. Falha em perguntas globais - quais são os principais padrões nestes 10.000 documentos, o que conecta estes eventos em todo o conjunto de dados.
O Graph Engineering responde a ambas.
1Pesquisa Local | o que aconteceu com o fornecedor X em março2 | encontra o nó específico e as suas conexões34Pesquisa Global | quais são os principais padrões de risco5 | em todas as nossas relações com fornecedores6 | encontra padrões em todo o grafo
Números reais da pesquisa ChatP&ID:
1Melhoria de precisão | 18% superior à abordagem de documento bruto2Redução de custo de token | 85% inferior ao carregar ficheiros 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 dá ao modelo factos e estrutura3O modelo gera melhores respostas45Modo 2 - KG aumentado por LLM6O modelo cria, limpa e expande o grafo7O grafo melhora com o tempo89Modo 3 - LLM + KG em sinergia10O grafo e o modelo melhoram-se mutuamente11Modo mais poderoso
Para Kimi K3 + Graph Engineering, o terceiro modo funciona melhor. O Kimi K3 extrai novos factos e adiciona-os ao grafo. O grafo dá ao Kimi K3 contexto estruturado para raciocínio. O ciclo repete-se 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 investigação mostra o que acontece quando conectas um modelo de linguagem a uma memória relacional - um grafo de conhecimento de relações 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 relação 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 porquê do Graph Engineering funcionar. O modelo não tem de inferir relações a partir do texto. As relações são explícitas no grafo. O modelo usa-as diretamente.
Publicado sob CC BY 4.0 - pode ser usado livremente com atribuição.
Documento 4 - Leis de Escala para Engenharia de Grafos de Conhecimento
Investigação 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 mau | piores resultados2Modelo menor + grafo bom | melhores resultados
O grafo certo vence o modelo maior. Sempre.
A mesma conclusão a que a Microsoft chegou com o GraphRAG e a Anthropic com o Claude Code - o sistema em torno do modelo determina o resultado mais do que o próprio modelo. O 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 num grafo.
1Pergunta do utilizador2↓3Grafo de capacidades4↓5Selecionar agente de pesquisa6↓7Selecionar ferramenta GitHub8↓9Selecionar ferramenta ArXiv10↓11Selecionar ferramenta de base de dados gráfica12↓13Kimi K3 coordena a execução
Os autores reportam uma melhoria de Recall@5 de 14,9% e de nDCG@5 de 14,6% em comparação com retrievers comparáveis no LiveMCPBenchmark.
Para o Kimi K3, isto significa que o grafo pode gerir não apenas 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 ficheiros4Buscar páginas web5Analisar o resultado de cada passo6Escolher independentemente a próxima ação7Suporta MCP8Hooks de ciclo de vida9Modos de aprovação
O Kimi Agent SDK permite-te usar o Kimi Code como base do teu próprio agente. Reutiliza as ferramentas, habilidades e configuração do servidor MCP do Kimi Code.
Para Graph Engineering, esta é uma camada de execução pronta a usar. O grafo fornece conhecimento estruturado e caminhos de raciocínio. O Kimi Code toma ações no ambiente real. O SDK une tudo.
A arquitetura completa do sistema
1Passo 1 - Camada de Ingestão2PDFs, sites, bases de dados, APIs, Slack, Notion3↓45Passo 2 - Camada de Extração6Kimi K3 extrai entidades e relações78{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↓2122Passo 3 - Camada de Resolução23O sistema resolve se estas são a mesma entidade:24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面2526↓2728Passo 4 - Armazenamento do Grafo29Neo4j / Memgraph / Amazon Neptune / PostgreSQL3031↓3233Passo 5 - Camada de Recuperação34Pesquisa vetorial + Pesquisa de entidade + Pesquisa de caminho35Pesquisa de comunidade + Filtragem temporal3637↓3839Passo 6 - Camada de Agente40Kimi K3:41Planeia a abordagem42Escolhe a ferramenta certa43Gera consultas Cypher ou SPARQL44Analisa subgrafo45Executa pesquisa web46Tira conclusões47Identifica a próxima lacuna de conhecimento4849↓5051Passo 7 - Camada de Verificação52Verifica a cobertura de evidências53Encontra contradições54Avalia a confiança55Verifica fontes5657↓5859Passo 8 - Atualização do Grafo60Novos factos adicionados ao grafo61Contradições sinalizadas62Informação antiga recebe timestamp
Este é um ciclo fechado de conhecimento-ação. O Kimi K3 não lê apenas o grafo. Identifica o que está em falta, forma sub-perguntas, seleciona um nó ou subgrafo, executa uma pesquisa, verifica o resultado, adiciona um novo facto e reavalia a hipótese.
Cinco prompts que executam todo o pipeline
Graph Engineering não substitui prompts. Usa-os em cada fase específica.
Prompt 1 - Extração
1Extraia todas as organizações, pessoas, produtos e eventos.23Para cada entidade, retorne:4- canonical_name5- type6- description7- source89Para cada relação, retorne:10- source_entity11- relation_type12- target_entity13- evidence14- confidence_score
Prompt 2 - Normalização
1Compare as seguintes entidades.2Determine se se referem a:3- a mesma entidade4- entidades relacionadas mas diferentes5- entidades não relacionadas67Retorne o nome canónico e a explicação.8Não fundir entidades sem evidência clara.
Prompt 3 - Consulta ao Grafo
1Traduza a pergunta do utilizador para uma consulta Cypher.2Use apenas relações presentes no esquema.3Não invente etiquetas 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 da relação5- declare a incerteza claramente6- não infira causalidade de correlação
Prompt 5 - Manutenção do Grafo
1Compare novos factos com o grafo existente.2Classifique cada facto como:3- novo4- duplicado5- contradição6- atualização7- incerto89Não substitua factos existentes sem evidência.
Cinco negócios que podes construir neste sistema
1 - Pesquisa de Investimento
1Empresa2├── fundadores e os seus projetos anteriores3├── investidores e o seu portfólio4├── concorrentes e as suas estratégias5├── riscos legais6├── patentes7├── vagas de emprego como sinal de estratégia8└── métricas financeiras ao longo do tempo
O Kimi K3 lê relatórios e notícias. O grafo mostra conexões ocultas entre empresas, investidores partilhados, dependências de fornecedores e sinais de pessoal. Clientes: fundos de investimento, escritórios de advogados, consultores de M&A. $2.000 a $10.000 por cliente por mês.
2 - Inteligência de Engenharia
1Commits do GitHub + tickets Jira + tarefas Linear2↓3Grafo do Trabalho de Engenharia4↓5Detecção de incidentes 5x mais rápida650% menos tempo de reunião7Notas de lançamento automáticas
A LaunchNotes já vende isto. O mercado é todas as equipas de engenharia que usam mais do que uma ferramenta de gestão de projetos.
3 - Motor de Pesquisa Científica
1Artigo → autor → instituição → método → conjunto de dados → resultado2↓3Quais métodos GraphRAG usam deteção de comunidades,4em que conjuntos de dados foram testados5e quais artigos se contradizem
A pesquisa normal 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 - Sistema Operacional de Conhecimento Pessoal
1Pessoas ↔ Reuniões ↔ Projetos ↔ Documentos ↔ Decisões ↔ Promessas2↓3Perguntas que o Kimi K3 pode responder:4Quem está a bloquear esta tarefa?5Que decisão tomámos e em que se baseava?6O que prometi fazer este mês?7Que suposições antigas já não são válidas?
Por onde começar esta semana
1Dia 1 | instalar Neo4j localmente2 | ler o README do DSPy3 | github.com/stanfordnlp/dspy4 | entender a diferença entre fazer prompting5 | e programar um sistema67Dia 2 | pegar num conjunto de documentos8 | executar Kimi K3 via API9 | extrair primeiras entidades e relações10 | guardar no Neo4j1112Dia 3 | construir primeira camada de recuperação13 | combinar pesquisa vetorial e pesquisa no grafo14 | testar numa pergunta complexa que o RAG não consegue responder1516Dia 4 | conectar o Kimi Code via MCP17 | github.com/MoonshotAI/kimi-code18 | deixar o agente ler o grafo e adicionar novos factos19 | executar primeiro ciclo conhecimento-ação2021Dia 5 | medir o resultado22 | comparar precisão vs RAG normal23 | comparar custos de token24 | encontrar primeiro caso de uso real de cliente
O que a Microsoft, Stanford e a Anthropic descobriram juntas
1Microsoft GraphRAG | grafo reduz custos 85%, melhora precisão 18%2Stanford DSPy | modelo é um nó num grafo, não o centro3Stanford Leis de Escala | modelo menor + grafo bom vence modelo maior4Investigação MIT Press | relações explícitas melhoram coerência e precisão5Anthropic LaunchNotes | deteção de incidentes 5x mais rápida, 50% menos tempo de reunião
O Kimi K3 é o motor. O Graph Engineering é o mapa, a memória e o sistema de coordenadas. Sem o motor, o grafo não age. Sem o grafo, o motor move-se muito rápido mas nem sempre sabe para onde vai.
A maioria dos programadores continuará a construir RAG normal e perguntar-se-á porque é que perguntas complexas dão más respostas. Alguns passarão uma semana a construir um sistema de grafo e nunca mais voltarão a pesquisar texto.
Constróis a tua própria vida - por isso, escolhe o caminho certo.
/ Se isto foi útil - segue /
