Grafo de conhecimento ou busca vetorial quando usar cada um

A diferença é objetiva: busca vetorial encontra o que é parecido, grafo de conhecimento encontra o que está conectado. Se a sua pergunta é "o que o manual diz sobre garantia", vetorial resolve. Se é "quais clientes são afetados se este fornecedor atrasar", só o grafo responde bem.

Como funciona a busca vetorial

Cada trecho de texto é convertido em um embedding: um vetor de centenas ou milhares de dimensões que representa o significado daquele texto. Textos com sentido próximo produzem vetores próximos no espaço.

Na consulta, a pergunta também vira vetor e o banco retorna os trechos com maior similaridade, normalmente pelo cosseno entre os vetores. Bancos como pgvector, Qdrant e Weaviate usam índices aproximados (HNSW e similares) para fazer isso rápido em milhões de itens.

Forças: funciona com texto não estruturado sem preparação pesada; entende sinônimos e paráfrases; escala bem; é rápido de montar.

Fraquezas técnicas reais:

• Erra com identificadores exatos. "Peça 4471-B" e "peça 4471-D" geram vetores quase idênticos. Por isso a busca híbrida (vetorial + BM25 por palavra-chave) é praticamente obrigatória em base técnica.
• Não faz raciocínio em vários saltos. A resposta que exige juntar informação de três documentos que não se parecem com a pergunta não é recuperada.
• Não tem noção de estrutura. Ela não sabe que a cláusula 4 revoga a cláusula 2 do mesmo contrato, a menos que isso esteja escrito no mesmo trecho.
• É sensível a como você cortou o documento. Um corte ruim destrói o sentido do pedaço.

Como funciona um grafo de conhecimento

Um grafo modela entidades (cliente, contrato, produto, fornecedor, servidor, funcionário) e relações explícitas entre elas (assina, depende de, substitui, atende, é componente de). Cada nó e cada aresta tem tipo e propriedades.

A consulta percorre relações. "Qual serviço fica indisponível se o banco X cair" é uma travessia: do nó do banco, siga as arestas depende de no sentido inverso, com dois níveis de profundidade.

Forças:

• Perguntas de vários saltos, que a vetorial não alcança
• Análise de impacto e dependência
• Detecção de contradição e de ciclo
• Respostas determinísticas e auditáveis, a travessia é reproduzível
• Restrição de permissão por relação, e não por texto

Fraquezas:

• Exige definir o esquema antes: quais entidades, quais relações, com que granularidade
• Extrair entidades de texto livre é trabalhoso e nem sempre confiável
• Manter o grafo sincronizado com a realidade é esforço contínuo
• Ele não te ajuda a interpretar prosa; ele te dá estrutura, não texto

Comparação direta

O critério de decisão

Olhe para as perguntas reais que o sistema precisa responder, não para a tecnologia.

Use busca vetorial quando:

• O conhecimento está em documentos, manuais, políticas, contratos, tickets
• As perguntas são respondidas por um ou dois trechos
• O vocabulário do usuário varia muito em relação ao dos documentos
• Você precisa colocar algo no ar rápido

Use grafo quando:

• A pergunta é sobre dependência, impacto, hierarquia ou histórico de mudança
• Existem entidades bem definidas e relações estáveis entre elas
• A resposta exige percorrer três, quatro conexões
• Você precisa provar como chegou à resposta

Um sinal prático: se as perguntas do negócio contêm "quem depende de", "o que muda se", "quais estão ligados a", "qual o caminho entre", o grafo está sendo pedido. Se contêm "o que diz", "como faço", "qual a regra para", é vetorial.

Quando combinar os dois (graph RAG)

A combinação faz sentido quando a resposta certa depende de vários documentos ligados entre si. O desenho usual:

1. A busca vetorial encontra os pontos de entrada relevantes no grafo a partir da pergunta
2. A travessia expande a vizinhança desses nós, trazendo entidades conectadas
3. O texto associado aos nós recuperados é montado como contexto para o modelo
4. A resposta cita tanto o trecho quanto o caminho percorrido

Isso ajuda em casos como: normas que se referenciam entre si, arquitetura de sistemas com dependências, cadeia de fornecimento, histórico de alterações contratuais. O custo é somar duas infraestruturas e duas manutenções, só compensa quando a pergunta realmente exige.

O erro de começar pelo grafo

Grafo de conhecimento é elegante e sedutor no diagrama. Mas modelagem de ontologia é um projeto por si só, e muita empresa gasta meses definindo esquema antes de saber quais perguntas o sistema vai receber.

A ordem que funciona:

1. Coloque busca vetorial híbrida no ar com uma base delimitada
2. Registre as perguntas reais que os usuários fazem
3. Separe as que a vetorial não conseguiu responder
4. Verifique se essas falhas são de conexão entre entidades, se forem, o grafo tem escopo definido pelas perguntas que realmente existem

Nos sistemas em produção que acompanhamos na Retti Tech, a maior parte das falhas de recuperação se resolve com melhor chunking, busca híbrida e reranker, não com mudança de paradigma. O grafo entra depois, para uma fatia específica de perguntas, e entra melhor porque entra informado.

O resumo técnico

Embeddings capturam semelhança semântica difusa; grafos capturam relações explícitas e verificáveis. Um lida com ambiguidade de linguagem, o outro com estrutura de mundo. Sistemas de conhecimento maduros usam os dois, cada um onde é forte, e usam a busca por palavra-chave junto, porque nenhuma das três técnicas sozinha cobre o que uma empresa pergunta no dia a dia.