Manual completo de Knowledge Graph
Estruture os dados, torne a IA mais inteligente
Manual completo de Knowledge Graph | GraphRAG · Neo4j · RDF · Tree-sitter · revisão de código por IA
Knowledge & Data [Especialidade] — o grafo que dá inteligência estruturada à sua IA
8 livros já em PT-BR · 5 traduzidos JA → PT-BR · Devs em 6 países leram a coleção
Visão geral
O RAG sozinho não deixa sua IA inteligente. Relacionamentos só aparecem com estrutura — Knowledge Graph, GraphRAG, Neo4j, RDF, Property Graph, Tree-sitter, MCP e Emotion AI. O guia prático para dar à IA a inteligência estruturada que falta ao embedding.
O que você será capaz de fazer
- Decidir entre RDF, Property Graph e GraphRAG para cada caso de uso
- Construir um Knowledge Graph real em produção com Neo4j em 7 passos
- Transformar a base de código em grafo com Tree-sitter e cortar até 49x os tokens da revisão de código por IA
- Desenhar o acesso da IA ao grafo via MCP
- Aplicar Knowledge Graph a domínios novos como Emotion AI e PKM pessoal
Para quem é este livro
- [Engenheiro de RAG] já bateu no teto da busca vetorial e procura o próximo passo
- [Desenvolvedor de agente de IA] quer estruturar relacionamentos de contexto que o embedding não captura
- [Engenheiro de dados] precisa operar Neo4j / Property Graph em produção
- [Tech Lead] avaliando arquitetura de IA e quando GraphRAG ganha do RAG vetorial
- [Equipe de plataforma] desenhando ontologia interna para conhecimento corporativo
- [Curioso por Emotion AI / PKM] quer aplicar grafos a domínios menos explorados
Problemas que este livro resolve
- Implementei RAG e a informação fica espalhada — a IA não consegue sintetizar resposta relacional
- Comecei com Neo4j, mas o guia de design é vago e o projeto trava
- Ouço falar de GraphRAG, mas não sei o que muda em relação ao RAG vetorial
- Quero transformar a base de código em grafo, mas as ferramentas se misturam e perco tempo na escolha
- Não consigo decidir entre RDF e Property Graph
- Quero usar grafo em Emotion AI / psicologia computacional, mas faltam casos práticos
Onde este livro se posiciona
- Foco em implementação (Neo4j / RDF / Tree-sitter com código que roda, não pseudocódigo)
- Integração entre domínios (GraphRAG + análise de código + Emotion AI em um único livro)
- Nível intermediário (Python básico e familiaridade com LLMs; não pede background acadêmico em grafos)
- Para quem se formou no RAG (o próximo passo depois que a busca vetorial encontra o limite)
Por que este livro
- Um dos poucos livros que explica GraphRAG no nível de implementação, com código Python e queries Cypher
- Comparativo direto RDF × Property Graph com 9 critérios e guia de escolha
- Pipeline aberto: AST de código → Knowledge Graph via Tree-sitter, comparando 6 ferramentas (GitNexus, code-review-graph, CGC, CodeLayers, Graphify, Understand Anything)
- Integração com MCP para que a IA consulte o grafo como ferramenta de primeira classe
- Lente original: abordagem estruturada para Emotion AI (ATOMIC, COMET, ECoK)
Como este livro difere de outros sobre IA
| Comparado com | Diferença deste livro |
|---|---|
| Tutoriais de Neo4j | Não é só Neo4j. Vai até GraphRAG, análise de código e integração com MCP — o ciclo completo em vez do tool isolado. |
| Introduções a RAG | Foca em GraphRAG — o que fazer depois que a busca vetorial bate no teto. RAG é o pré-requisito, não o destino. |
| Livros de Web Semântica / RDF | Não é apenas acadêmico. Trade-off prático RDF × Property Graph com critérios e guia de escolha para o engenheiro. |
Sumário
- 01 Introdução Amostra grátis
- 1-1 Por que publicar este livro agora
- 1-2 Como o livro está estruturado
- 1-3 Para quem este livro foi escrito
- 02 Capítulo 1: O que é Knowledge Graph Amostra grátis
- 2-1 Nós, arestas e triplas
- 2-2 Diferença em relação ao banco de dados relacional
- 2-3 Diferença em relação ao banco vetorial
- 2-4 Componentes do Knowledge Graph
- 2-5 Linguagem de consulta Cypher
- 03 Capítulo 2: Por que Knowledge Graph agora Amostra grátis
- 3-1 O problema das "conexões" na era da IA generativa
- 3-2 Acabando com os silos de dados
- 3-3 Três razões para o Knowledge Graph voltar a chamar atenção
- 3-4 Contexto histórico do Knowledge Graph
- 3-5 Democratização via no-code / low-code
- 04 Capítulo 3: RDF vs Property Graph
- 4-1 Dois modelos de dado
- 4-2 RDF (Resource Description Framework)
- 4-3 Property graph
- 4-4 Comparação em 9 itens
- 4-5 Qual escolher
- 05 Capítulo 4: Construindo o Knowledge Graph em 7 passos
- 5-1 Hands-on com Neo4j
- 5-2 Definir o caso de uso, identificar fontes e desenhar a ontologia
- 5-3 Modelagem, ingestão e transformação de dado
- 5-4 Consultas, API, operação e expansão
- 06 Capítulo 5: A mecânica do GraphRAG
- 6-1 O limite do RAG tradicional
- 6-2 GraphRAG da Microsoft Research
- 6-3 Efeitos concretos
- 6-4 Os trade-offs do GraphRAG
- 07 Capítulo 6: Adoção do GraphRAG na empresa
- 7-1 O problema do conhecimento corporativo
- 7-2 Framework de adoção em 4 passos da NTT East
- 7-3 Caso: avaliação de risco contratual na NTT Data
- 7-4 Caso: KG + RAG no suporte ao cliente do LinkedIn
- 7-5 Cuidados na adoção
- 08 Capítulo 7: Casos práticos de LLM × KG
- 8-1 A complementaridade entre LLM e KG
- 8-2 Extração automática de relação empresarial
- 8-3 Mapeamento de conhecimento tácito na Meta
- 8-4 Conversão automática de texto para Cypher
- 8-5 Q&A baseada em evidência
- 8-6 Padrões de arquitetura LLM × KG
- 09 Capítulo 8: Entender código por grafo
- 9-1 A base de código é um grafo gigante
- 9-2 Extração de estrutura com Tree-sitter AST
- 9-3 Análise de Blast Radius (escopo de impacto)
- 9-4 Design de nó e aresta do KG de código
- 9-5 Arquitetura de processamento em duas passadas
- 10 Capítulo 9: Comparativo de ferramentas de KG de código
- 10-1 Comparando seis ferramentas
- 10-2 GitNexus / code-review-graph / CodeGraphContext
- 10-3 CodeLayers / Graphify / Understand Anything
- 10-4 Guia de escolha
- 11 Capítulo 10: Integração com MCP e revisão de código por IA
- 11-1 O que é MCP
- 11-2 Fluxo de trabalho com KG de código + MCP
- 11-3 Lista das ferramentas MCP
- 11-4 Caso prático: otimizar a revisão de PR (corte de até 49x em tokens)
- 11-5 Integração com GitHub Action
- 12 Capítulo 11: Knowledge Graph de senso comum emocional
- 12-1 Estruturar emoção como "conhecimento"
- 12-2 ATOMIC: base da inferência de senso comum
- 12-3 COMET: o LLM que gera o conhecimento do ATOMIC
- 12-4 ECoK: o KG integrado de senso comum emocional
- 12-5 Áreas de aplicação do KG emocional
- 13 Capítulo 12: Inferência emocional em diálogo
- 13-1 ERC: reconhecimento emocional dentro da conversa
- 13-2 Arquitetura do modelo CEICG
- 13-3 Resultado do benchmark
- 13-4 Predição versus reconhecimento emocional
- 13-5 O valor que o Knowledge Graph traz para a inferência emocional
- 14 Capítulo 13: Uso de Knowledge Graph na empresa
- 15 Capítulo 14: Knowledge Graph pessoal (PKM)
- 16 Capítulo 15: O futuro do Knowledge Graph
- 17 Epílogo — "Pensar em grafo" como nova arma Amostra grátis
Busca vetorial entrega à IA conhecimento, não relacionamento. “A Alice se reporta ao Bob, que toca o projeto C” é um fato de grafo, não um fato de vetor. Por isso o RAG sozinho responde “o quê” e trava em qualquer pergunta sobre “como se conecta”.
Este livro é o guia de campo para dar à IA essa inteligência estruturada: Neo4j, RDF, Property Graphs, GraphRAG da Microsoft Research, Tree-sitter para AST de código, integração via MCP e até Emotion AI. Tudo convertido em padrões prontos para entrar em produção.
“Dados ficam inteligentes não como vetores, mas como grafos.”
Livros relacionados
Comprar no Kindle
Incluso no Kindle Unlimited
QUERO LER NO KINDLE (R$24.99) Tópicos: Knowledge GraphGraphRAGNeo4jRDFProperty Graph
* Esta página contém links da Amazon Associados. Compras podem gerar uma comissão para o autor.