Cassie Shum, vice-presidente da RelationalAI, apresentou no QCon AI quatro padrões arquiteturais que posicionam grafos de conhecimento como fundação de sistemas agênticos em produção, com foco em eficiência de tokens, auditabilidade de decisões e visibilidade dos agentes.
Por que o grafo de conhecimento seria a fundação de sistemas agênticos?
Um grafo de conhecimento relacional armazena entidades, relacionamentos e a lógica entre eles, formando uma camada semântica rica sobre bancos de grafo. Para Cassie Shum, o valor não está em competir com o contexto longo dos LLMs, mas em oferecer fonte compartilhada, auditável e versionável de contexto organizacional.
A executiva reconheceu que o diferencial de recuperação via GraphRAG praticamente desapareceu nos últimos seis meses com modelos mais capazes. O novo papel do grafo é de substrato: sustentar auditabilidade de decisões, rastreio de relações entre domínios e consulta histórica do estado do sistema.
Leia também
Fim da era dos tokens baratos: 3 alavancas para tornar o uso de IA eficiente e com ROI, segundo CTO da deque
O que o experimento com tokens revelou?
O experimento comparou a mesma tarefa com cerca de 30 documentos brutos versus consulta ao grafo de conhecimento, envolvendo políticas de plantão de equipes distintas. A correção foi equivalente nos dois casos, mas o grafo reduziu tokens consumidos e turnos percorridos pelo agente.
A implicação é econômica: multiplicando por milhares de desenvolvedores, alimentar agentes com documentação bruta gera custo crescente de tokens. A métrica que importa deixa de ser acurácia e passa a ser eficiência do agente.
Quais são os quatro padrões arquiteturais apresentados?
Os quatro padrões vieram de seis meses de trabalho da equipe construindo ferramentas internas sobre um grafo de conhecimento: contexto como pacote, proveniência para decisões, código como verdade e visibilidade dos agentes.
Cada padrão resolve uma dor concreta: montar contexto com padrões da organização, auditar decisões do início ao fim, reconciliar spec e implementação real, e consultar o grafo para medir custo e atividade dos agentes.
Quando vale o investimento em um grafo de conhecimento?
A palestrante reconhece que o custo de construção do grafo ainda é alto e que a decisão depende do caso, do volume de dados e do perfil de travessia. O critério sugerido é pragmático: adotar quando o benefício em eficiência, auditabilidade e contexto superar o overhead.
Entre as questões abertas estão supervisão de agentes, uso adaptativo de modelos e arquitetura de memória agêntica em escala. A RelationalAI já usa os próprios agentes para acelerar a construção de grafos de conhecimento.
Leia também:
- Fim da era dos tokens baratos: 3 alavancas para tornar o uso de IA eficiente e com ROI, segundo CTO da deque
- IA nas empresas: dos pilotos falham por causa dos dados, não dos modelos, apontam MIT e gartner
- Investigação independente detalha como 700 agentes da OpenAI se coordenaram para invadir o hugging face
Fonte: Infoq
