RAG vs KAG Decision
Use esta skill quando precisar decidir se um sistema com LLM deve usar RAG, KAG, GraphRAG ou abordagem híbrida.
Regra de bolso
RAG = recuperar conhecimento textual.
KAG = raciocinar sobre conhecimento estruturado.
GraphRAG = usar grafo para melhorar recuperação/contexto, sem necessariamente ter motor lógico completo.
Processo obrigatório
Antes de recomendar, classifique o caso:
- Fonte da verdade: documentos, banco estruturado, KG, APIs, ERP/CRM/CMDB?
- Tipo de pergunta: direta, multi-hop, regra, cálculo, temporalidade, compliance?
- Entidades: existem objetos centrais como cliente, contrato, ativo, usuário, produto, norma, chamado?
- Relações: a resposta depende de vínculos entre entidades?
- Risco do erro: baixo, médio ou alto?
- Atualização: muda rápido ou exige consistência semântica?
- Maturidade: existe time/dado para manter ontologia/grafo?
Matriz de decisão
| Sinal observado |
Escolha preferida |
| PDFs, wikis, manuais, tickets e FAQs |
RAG |
| Perguntas respondidas por poucos trechos |
RAG |
| MVP rápido / baixo custo inicial |
RAG |
| Base textual muda diariamente |
RAG |
| Precisa citar trechos originais |
RAG |
| Entidades e relações são o núcleo |
KAG |
| Perguntas multi-hop são comuns |
KAG |
| Regras, datas, vigência, permissões ou cálculos importam |
KAG |
| Domínio crítico: jurídico, saúde, financeiro, compliance |
KAG |
| RAG perde contexto por relações, mas KAG completo é caro |
GraphRAG |
| Documentos + dados estruturados são ambos necessários |
Híbrido RAG + KAG |
Quando usar RAG em detrimento de KAG
Escolha RAG quando:
- o problema é achar, citar e resumir texto;
- a base é predominantemente documental;
- perguntas são diretas;
- atualização rápida importa mais que consistência lógica;
- não há ontologia/grafo confiável;
- o time precisa de MVP verificável.
Exemplos: chat com documentação interna, FAQ de suporte, busca em procedimentos, copiloto para manuais, triagem inicial de contratos.
Quando usar KAG em detrimento de RAG
Escolha KAG quando:
- a resposta depende de entidades e relações;
- há regras de negócio, compliance, datas ou cálculos;
- perguntas multi-hop são frequentes;
- precisa explicar o caminho lógico, não só citar fonte;
- erros custam caro;
- já existe fonte estruturada ou é viável criar/manter KG.
Exemplos: elegibilidade de cliente por contrato+plano+fatura+SLA, análise jurídica com prazos/obrigações, saúde com contraindicações, ITSM com ativos/usuários/chamados/SLA, compliance auditável.
Padrão recomendado
Se não há prova de que RAG falha, recomende evolução incremental:
1. Comece com RAG bem feito: chunking, metadados, busca híbrida, reranker e citações.
2. Meça falhas: entidade confundida, regra ignorada, data errada, multi-hop ruim.
3. Adicione GraphRAG/KAG nas fatias críticas.
Arquiteturas mínimas
RAG mínimo
Documentos → chunking → embeddings/vector DB → retrieval/rerank → prompt com citações → LLM
KAG mínimo
Fontes → extração/curadoria de entidades e relações → KG + índice textual → reasoning híbrido → contexto estruturado → LLM
Híbrido pragmático
RAG recupera evidências textuais
KG/KAG valida entidades, regras e relações
LLM produz resposta final com fontes + caminho lógico
Formato de saída
Responda sempre com:
## Decisão
**Escolha:** RAG | KAG | GraphRAG | Híbrido
## Por quê
- sinal 1
- sinal 2
- sinal 3
## Arquitetura mínima
```text
...
```
## Riscos
- ...
## Quando reavaliar/migrar
- ...
Fontes conceituais
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020 / arXiv:2005.11401.
- Liang et al., KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation, arXiv:2409.13731.
- OpenSPG/KAG: reasoning/retrieval guiado por forma lógica sobre KG + LLM.
1---2name: rag-kag-decision3description: Decide quando usar RAG, KAG, GraphRAG ou arquitetura híbrida para sistemas LLM com conhecimento externo.4---56# RAG vs KAG Decision78Use esta skill quando precisar decidir se um sistema com LLM deve usar **RAG**, **KAG**, **GraphRAG** ou abordagem **híbrida**.910## Regra de bolso1112```text13RAG = recuperar conhecimento textual.14KAG = raciocinar sobre conhecimento estruturado.15GraphRAG = usar grafo para melhorar recuperação/contexto, sem necessariamente ter motor lógico completo.16```1718## Processo obrigatório1920Antes de recomendar, classifique o caso:21221. **Fonte da verdade**: documentos, banco estruturado, KG, APIs, ERP/CRM/CMDB?232. **Tipo de pergunta**: direta, multi-hop, regra, cálculo, temporalidade, compliance?243. **Entidades**: existem objetos centrais como cliente, contrato, ativo, usuário, produto, norma, chamado?254. **Relações**: a resposta depende de vínculos entre entidades?265. **Risco do erro**: baixo, médio ou alto?276. **Atualização**: muda rápido ou exige consistência semântica?287. **Maturidade**: existe time/dado para manter ontologia/grafo?2930## Matriz de decisão3132| Sinal observado | Escolha preferida |33|---|---|34| PDFs, wikis, manuais, tickets e FAQs | RAG |35| Perguntas respondidas por poucos trechos | RAG |36| MVP rápido / baixo custo inicial | RAG |37| Base textual muda diariamente | RAG |38| Precisa citar trechos originais | RAG |39| Entidades e relações são o núcleo | KAG |40| Perguntas multi-hop são comuns | KAG |41| Regras, datas, vigência, permissões ou cálculos importam | KAG |42| Domínio crítico: jurídico, saúde, financeiro, compliance | KAG |43| RAG perde contexto por relações, mas KAG completo é caro | GraphRAG |44| Documentos + dados estruturados são ambos necessários | Híbrido RAG + KAG |4546## Quando usar RAG em detrimento de KAG4748Escolha **RAG** quando:4950- o problema é achar, citar e resumir texto;51- a base é predominantemente documental;52- perguntas são diretas;53- atualização rápida importa mais que consistência lógica;54- não há ontologia/grafo confiável;55- o time precisa de MVP verificável.5657Exemplos: chat com documentação interna, FAQ de suporte, busca em procedimentos, copiloto para manuais, triagem inicial de contratos.5859## Quando usar KAG em detrimento de RAG6061Escolha **KAG** quando:6263- a resposta depende de entidades e relações;64- há regras de negócio, compliance, datas ou cálculos;65- perguntas multi-hop são frequentes;66- precisa explicar o caminho lógico, não só citar fonte;67- erros custam caro;68- já existe fonte estruturada ou é viável criar/manter KG.6970Exemplos: elegibilidade de cliente por contrato+plano+fatura+SLA, análise jurídica com prazos/obrigações, saúde com contraindicações, ITSM com ativos/usuários/chamados/SLA, compliance auditável.7172## Padrão recomendado7374Se não há prova de que RAG falha, recomende evolução incremental:7576```text771. Comece com RAG bem feito: chunking, metadados, busca híbrida, reranker e citações.782. Meça falhas: entidade confundida, regra ignorada, data errada, multi-hop ruim.793. Adicione GraphRAG/KAG nas fatias críticas.80```8182## Arquiteturas mínimas8384### RAG mínimo8586```text87Documentos → chunking → embeddings/vector DB → retrieval/rerank → prompt com citações → LLM88```8990### KAG mínimo9192```text93Fontes → extração/curadoria de entidades e relações → KG + índice textual → reasoning híbrido → contexto estruturado → LLM94```9596### Híbrido pragmático9798```text99RAG recupera evidências textuais100KG/KAG valida entidades, regras e relações101LLM produz resposta final com fontes + caminho lógico102```103104## Formato de saída105106Responda sempre com:107108````markdown109## Decisão110**Escolha:** RAG | KAG | GraphRAG | Híbrido111112## Por quê113- sinal 1114- sinal 2115- sinal 3116117## Arquitetura mínima118```text119...120```121122## Riscos123- ...124125## Quando reavaliar/migrar126- ...127````128129## Fontes conceituais130131- Lewis et al., *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*, NeurIPS 2020 / arXiv:2005.11401.132- Liang et al., *KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation*, arXiv:2409.13731.133- OpenSPG/KAG: reasoning/retrieval guiado por forma lógica sobre KG + LLM.
cadugevaerd