RAG comum acha o trecho mais parecido; ele para de bastar quando a resposta está espalhada entre relações e documentos

RAG comum resolve o problema do sinônimo sobre um corpus onde cada pergunta busca um alvo mais ou menos único: acha o trecho mais parecido com a pergunta, não importa o vocabulário usado para escrever cada um. Isso deixou de ser nicho — RAG já está em 51% das implementações empresariais de IA em 2026, contra 31% no ano anterior. Por estar em toda parte é que vale apontar onde ele para de bastar: quando a resposta depende de relacionar várias entidades, ou de juntar informação espalhada em mais de um documento, "o trecho mais parecido" deixa de ser a métrica certa.

A queda de precisão não é gradual. RAG vetorial cai para perto de zero em perguntas que cruzam cinco ou mais entidades — pessoas, empresas, eventos, e as relações entre eles. Graph RAG, a técnica que resolve exatamente essa falha, sustenta precisão em perguntas com dez ou mais. No MemSearch, o sistema que uso para recuperar lições entre projetos, essa fronteira nunca apareceu: cada pergunta busca dentro de um projeto, não relação entre entidades de projetos diferentes — por isso ele nunca precisou de grafo, e RAG comum bastou.

O tamanho do corpus não é o que prevê a falha; o número de entidades da pergunta é

O gatilho da falha não é quantos documentos o corpus tem — é quantas entidades a pergunta cruza. Uma pergunta como "que fornecedores compartilham o mesmo diretor com a empresa X" cruza pessoa, empresa e relação societária ao mesmo tempo. Nenhum chunk isolado contém essa resposta inteira, e buscar "o trecho mais parecido" encontra pedaços soltos e nunca a relação em si.

Isso é diferente do problema que a busca semântica comum resolve bem: ali a falha era vocabulário variando sobre um alvo único — três nomes para a mesma coisa. Aqui a pergunta em si tem estrutura relacional, e nenhuma variação de vocabulário resolve isso. Falta uma representação das relações, não um sinônimo melhor.

Graph RAG troca "o mais parecido" por "o que está relacionado"

Graph RAG representa o corpus como grafo de entidades e relações, não só como vetores. A resposta é montada percorrendo relações explícitas entre nós — quem trabalha com quem, qual evento aconteceu depois de qual outro — em vez de comparar embeddings. É essa mudança de representação que sustenta precisão nas perguntas de dez ou mais entidades, onde o RAG vetorial já tinha caído para perto de zero.

O custo não fica escondido: construir e manter um grafo de conhecimento é trabalho adicional sobre o pipeline de RAG básico, não uma opção de configuração a mais. Alguém precisa extrair entidades e relações do corpus, manter o grafo atualizado conforme o corpus muda, e validar que as relações extraídas estão corretas. Vale o preço quando a pergunta real do usuário tem essa estrutura relacional — não antes disso.

Perguntas que cruzam documentos pedem mais de uma busca, não uma busca melhor

Uma pergunta que depende de dois documentos que não se citam tem outro formato de falha. RAG multi-hop decompõe a pergunta composta em sub-perguntas, busca cada uma separadamente, e só depois sintetiza a resposta final a partir dos resultados. Nenhuma busca vetorial única, por melhor que seja o re-ranking depois dela, resolve isso — o problema é estrutural: a resposta não está inteira em nenhum chunk, está espalhada em documentos que o sistema precisa visitar em sequência.

Query decomposition e query expansion são a técnica correspondente do lado da pergunta: quebrar antes de buscar, em vez de tentar melhorar o banco de dados. Um sistema que já faz multi-hop bem decompõe a pergunta automaticamente, antes da primeira chamada de busca.

Busca híbrida deixou de ser opcional

Combinar busca por palavra-chave com busca semântica é tratado como padrão em 2026, não como reforço opcional. Busca semântica sozinha perde correspondência exata — nome próprio, código de produto, termo técnico — que busca por palavra-chave pega de cara, porque embedding aproxima significado, não string. Re-ranking com modelo cross-encoder entra depois, refinando a ordem dos resultados que a busca híbrida já trouxe.

Essa técnica é ortogonal às duas anteriores. Dá para somar busca híbrida a um Graph RAG ou a um pipeline multi-hop sem contradição nenhuma — ela resolve um problema diferente (correspondência exata) do que os outros dois resolvem (estrutura relacional e distribuição entre documentos).

O princípio se repete: RAG simples só se justifica quando dá para apontar a falha específica da busca por palavra-chave; RAG avançado só se justifica quando dá para apontar a falha específica do RAG vetorial — uma pergunta real que cruzou entidades ou documentos e voltou errada. Sem esse exemplo concreto, Graph RAG e multi-hop são complexidade que ninguém vai usar.

Uma nota de cautela, não uma recomendação: Agentic RAG aparece com frequência em conteúdo sobre o tema, mas ainda tem poucos exemplos de produção documentados. Vale acompanhar. Ainda não é peça para instalar num sistema real.