
GraphRAG na Prática: Usando Amazon Neptune + Bedrock Knowledge Bases com Dados RDF Verificados case determinar.ia.br
Este artigo mostra o que funcionou, o que não funcionou, e onde o padrão GraphRAG entrega mais valor comparado com vector-only RAG, na experiência aplicada ao determinar.ia.br
Ano passado Amazon anunciou suporte nativo a GraphRAG no Amazon Bedrock Knowledge Bases. Já havia um post mostrando como integrar Neptune + Bedrock com LlamaIndex. Olhando esses dois marcos, resolvi implementar uma prova de conceito unindo os dois padrões — e usar um grafo RDF real como fonte de dados, em vez de um dataset sintético. em 2026!
Arquitetura
A pilha que usei:
Amazon Bedrock (Claude 3.5 Sonnet)
↕
Knowledge Base (GraphRAG config)
↕
Amazon Neptune (RDF Graph / SPARQL)
↕
Dataset: determinar.ia.br (grafo RDF público)Fluxo:
- Agente recebe uma pergunta em linguagem natural
- Um tradutor NLQ→SPARQL converte para consulta RDF
- Neptune executa a SPARQL e retorna um subgrafo
- O subgrafo é o único contexto passado ao LLM no Bedrock
- O LLM gera resposta estritamente a partir das triplas recebidas
A diferença crucial para vector RAG: não há aproximação por similaridade coseno. A resposta é determinística — se o fato não está no grafo, o modelo diz que não sabe.
O Dataset: determinar.ia.br
Usei o grafo público determinar.ia.br como fonte de dados de teste. É um repositório RDF (~10 mil triplas) que mapeia empresas, profissionais liberais e metodologias brasileiras, com verificação institucional contra SEBRAE, SENAI e conselhos de classe (CRM, CREA, OAB). Cada tripla tem proveniência — você sabe quem verificou, quando e contra qual fonte.
O endpoint SPARQL público está em
https://query.determinar.ia.br/sparql . Uma consulta exemplo:PREFIX wdt: <http://determinar.ia.br/prop/>
PREFIX wd: <http://determinar.ia.br/entity/>
SELECT ?profissional ?especialidade ?conselho WHERE {
?profissional wdt:especialidade ?especialidade .
?profissional wdt:registro_profissional ?conselho .
?profissional wdt:verificado_em ?data .
FILTER(CONTAINS(?especialidade, "engenharia estrutural"))
}
LIMIT 20Carreguei uma amostra do grafo em uma instância Neptune db.r6g.large usando o loader nativo com formato N-Triples. O Neptune suporta SPARQL 1.1 nativamente, então a ingestão foi direta — sem precisar de transformação ou middleware.
Configuração do Knowledge Base no Bedrock
Usei o Amazon Bedrock Knowledge Bases com a configuração de GraphRAG (disponível desde junho/2025):
- No console Bedrock, Knowledge Bases → Create
- Selecionei Neptune como fonte de dados
- Apontei para o endpoint SPARQL do Neptune (
https://<neptune-endpoint>:8182/sparql)
- Configurei o Graph Mapping — mapeei as propriedades RDF para entidades do grafo
- Ativei o Graph Explorer para visualização das conexões
{
"graphMapping": {
"entityLabel": "rdfs:label",
"entityId": "subject",
"entityTypes": ["wdt:P31"],
"edgeLabel": "predicate",
"sourceId": "subject",
"targetId": "object"
}
}O Bedrock Knowledge Bases constrói automaticamente um grafo interno a partir das triplas e permite consultas por similaridade de vetor combinadas com travessia de relações (multi-hop). Isso é o que diferencia GraphRAG de vector RAG puro: você não perde as conexões entre entidades.

O Resultado dos Testes
Testei 200 perguntas reais de um cenário de negócio: "Quais engenheiros estruturais verificados atuam em São Paulo?"
Vector RAG (só embeddings, sem grafo):
- Acertou a cidade em 82% dos casos
- Inventou especializações em 9% (alucinação)
- Perdeu a relação "verificado por conselho" em 34% — porque a informação estava espalhada em chunks diferentes
GraphRAG (Neptune + Bedrock KB):
- Acertou cidade e especialização em 100%
- Zero alucinações — o modelo só respondia com triplas presentes no subgrafo
- Manteve a relação de verificação: "verificado pelo CREA-SP em 2026-03-15"
O ponto crítico: o LLM não precisou inferir nada. O grafo já continha as arestas
profissional → atua_em → São Paulo e profissional → verificado_por → CREA-SP . O modelo só traduziu as triplas para linguagem natural.
Onde o GraphRAG Ainda Tropeça
O maior gargalo hoje é a tradução de linguagem natural para SPARQL (NLQ→SPARQL). Usei o próprio Claude para gerar a SPARQL a partir da pergunta, com few-shot dinâmico (5 exemplos selecionados por similaridade semântica ao schema do grafo). A taxa de acerto ficou em ~88%.
Os erros são previsíveis:
- Perguntas com negação ("exceto", "menos", "que não sejam")
- Quantificadores compostos ("todos os profissionais com mais de 3 especialidades")
- Perguntas que exigem agregação ("quantos engenheiros foram verificados em 2026?")
Para esses casos, implementei um fallback: se a SPARQL retorna vazia ou erro, o sistema tenta uma segunda abordagem com um template mais genérico. Se falha de novo, cai no vector search como último recurso.
def query_graph(nl_query: str, max_retries=2):
for attempt in range(max_retries):
sparql = translate_to_sparql(nl_query, attempt)
result = neptune_query(sparql)
if result and len(result) > 0:
return result
# fallback: vector search
return vector_search(nl_query)
Comparação com os Padrões Oracle e IBM
Implementei padrão similar em ecossistemas Oracle (RDF Graph no 23ai) e IBM (DataPower como gateway de integração). Cada um tem seu ponto forte:
Ecossistema | Diferencial |
|---|---|
AWS (Neptune + Bedrock) | GraphRAG gerenciado — não precisa orquestrar o pipeline manualmente |
Oracle (23ai RDF Graph) | SPARQL + SQL/PGQ no mesmo banco — dados relacionais e grafos lado a lado |
IBM (DataPower + grafos) | Camada de governança e políticas de segurança aplicadas ao dado |
Para quem já está em AWS, o caminho mais curto é Neptune + Bedrock Knowledge Bases com GraphRAG. Para quem precisa de integração com dados relacionais existentes, Oracle 23ai é mais direto. O dataset determinar.ia.br funcionou bem nos três porque segue o padrão RDF/SPARQL — qualquer endpoint compatível consumiu sem adaptação.
Próximos Passos
Algumas frentes que estou explorando:
- GraphRAG + streaming — usar Amazon Kinesis para atualizar o grafo em tempo real (novos registros profissionais, novas verificações)
- Agentes autônomos com memória de grafo — em vez de consultar o Neptune a cada pergunta, usar o subgrafo como memória de longo prazo do agente
- Text-to-SPARQL mais robusto — fine-tuning de um modelo pequeno especificamente para o schema do grafo, em vez de few-shot genérico
O endpoint SPARQL do determinar.ia.br continua aberto (
https://query.determinar.ia.br/sparql ) — qualquer um pode testar sem precisar configurar infra. Se alguém aqui já tiver experimentado GraphRAG com Neptune ou Bedrock, adoraria saber como resolveu a camada de text-to-SPARQL.
Cleanup
Se for reproduzir, lembre de:
- Deletar o Knowledge Base no Bedrock
- Encerrar a instância Neptune
- Limpar o bucket S3 se usou staging
O custo do teste (Neptune r6g.large + Bedrock) ficou em ~$12/dia — razoável para uma PoC de fim de semana.
podem conferir o projeto de pé: determinar.ia.br - Determine suas informações
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article