Grafos de conhecimento e memória

O que observar

As perguntas que separam as opções, em ordem de importância.

1. 01

   Primeiro, prove que você precisa de um grafo

   Os grafos ajudam em perguntas que seguem relações (quem fornece para quem, quais contratos citam qual cláusula) ou que abrangem um acervo inteiro (quais são os temas principais). Monte um conjunto de avaliação com perguntas reais e rode-o primeiro contra uma busca vetorial híbrida. Se poucas perguntas falharem por causa de relações, um grafo acrescenta custo e partes móveis sem muito ganho: no estudo GraphRAG-Bench, o LightRAG enviou cerca de 100.000 tokens de prompt por pergunta ao modelo que respondia, contra menos de 1.000 no RAG vetorial.

2. 02

   Custo de indexação e como funcionam as atualizações

   Toda ferramenta de RAG com grafo passa os seus documentos por um modelo de linguagem para extrair entidades e relações, então indexar custa muito mais do que gerar embeddings. O Microsoft GraphRAG também escreve resumos de comunidades e em grande parte reconstrói tudo quando os documentos mudam; o LightRAG dispensa os resumos e acrescenta documentos de forma incremental; o Graphiti faz a ingestão episódio por episódio. Estime os tokens de todo o seu acervo com o seu modelo de extração e depois pergunte o que acontece quando um décimo dele mudar no mês que vem.

3. 03

   Tempo: fatos que mudam

   A memória de agentes tem um problema que o RAG de documentos raramente tem: os fatos ficam desatualizados. Um usuário muda de endereço, uma política é substituída. O Graphiti registra quando cada fato passou a ser verdadeiro e quando foi invalidado, para que um agente possa responder o que é verdade agora e o que era verdade antes. O Mem0 e a maioria dos pipelines de RAG com grafo simplesmente acrescentam fatos novos ao lado dos antigos, e a noção de tempo do Cognee é mais recente. Se o seu agente roda por meses, teste explicitamente o tratamento de contradições.

4. 04

   Backend de armazenamento e o que você precisa operar

   Pipelines e camadas de memória ficam sobre um armazenamento. O Graphiti precisa de Neo4j, FalkorDB ou Amazon Neptune; os padrões em memória do LightRAG servem apenas para testes, e ele recomenda Postgres para produção; o GraphRAG grava arquivos e um índice LanceDB por padrão; o Cognee usa armazenamentos embutidos por padrão, mas pode passar para Postgres ou Neo4j. Escolha uma ferramenta cujo backend de produção você já opera ou está disposto a operar.

5. 05

   Qualidade do modelo de extração e saída estruturada

   A qualidade do grafo depende do modelo que faz a extração. Modelos locais pequenos deixam passar relações e duplicam entidades, e o README do Graphiti avisa que modelos sem saída estruturada confiável podem quebrar a ingestão. O LightRAG sugere um modelo da classe de 30B como mínimo prático local. Reserve orçamento para um modelo capaz na hora de indexar e confira a deduplicação de entidades em uma amostra antes de indexar tudo.

6. 06

   Leia os benchmarks de memória com cuidado

   Os produtos de memória para agentes citam LoCoMo, LongMemEval, Deep Memory Retrieval e BEAM. Quase todos os números publicados vêm do próprio fornecedor, muitas vezes para o serviço hospedado e não para o SDK open source, com modelos e configurações diferentes a cada execução. Use-os para montar a lista curta e depois avalie cada candidato reproduzindo as suas próprias conversas, medindo a precisão em fatos que mudaram e a latência de recuperação.

7. 07

   Licença e divisões open-core

   O GraphRAG e o LightRAG são MIT; o Graphiti, o Mem0 e o Cognee são Apache 2.0; o Neo4j Community Edition é GPLv3 e de servidor único, com clustering e segurança por papéis apenas nas edições pagas. Vários projetos reservam recursos-chave para o produto hospedado: a memória em grafo do Mem0 só existe na plataforma, e o extrator de produção e o armazenamento de grafo em Postgres do Cognee ficam em um produto licenciado. Verifique se o recurso de que você precisa está na edição aberta.

9 ferramentas comparadas

Ordenadas pela nossa nota. Abra qualquer avaliação para ver as fontes, os preços e o veredito completo.

Ferramentas de Grafos de conhecimento e memória comparadas

Ferramenta	Nota	Nosso veredito	Ideal para	Preço
Graphitirepositório	4.3/5	Para agentes cujos fatos mudam com o tempo, o Graphiti é a camada de memória open source a ser batida, desde que você vá operar um banco de dados em grafo e pagar pela extração com LLM em cada gravação.	Equipes que constroem agentes de longa duração que precisam lembrar fatos que mudam sobre usuários, contas ou o mundo.	Gratuito e open source sob Apache 2.0. Você fornece o banco de dados em grafo e paga pelas chamadas de LLM e de embeddings durante a ingestão.
Neo4jrepositório	4.1/5	O armazenamento de grafos padrão quando o seu RAG ou a memória do seu agente realmente precisam de relacionamentos, mas a edição gratuita para em um servidor e a maior parte do RAG não precisa de grafo nenhum.	Equipes cujas perguntas de RAG ou de memória de agentes dependem de relacionamentos entre entidades e que precisam de um armazenamento de grafos comprovado.	Community Edition gratuita sob GPLv3. Enterprise sob orçamento. AuraDB: plano Free; Professional US$ 0,09/GB/hora (mínimo de 1 GB); Business Critical US$ 0,20/GB/hora (mínimo de 2 GB).
Graphifyrepositório	4.1/5	Vale instalar em repositórios grandes em que o seu agente vive fazendo grep, desde que você trate os números de benchmark como do próprio fornecedor e escolha o backend da documentação com cuidado.	Equipes com bases de código grandes que querem que o agente navegue pela estrutura em vez de fazer grep.	Motor open source gratuito (Apache-2.0, com um arquivo de licença MIT também no repositório). O Graphify Cloud tem um nível hospedado gratuito e planos Pro e Teams por usuário, com preços não publicados; o Enterprise auto-hospedado está em acesso antecipado.
Mem0repositório	4.0/5	O Mem0 continua sendo o jeito mais rápido de dar memória a um agente, mas o SDK de código aberto é cada vez mais a versão de teste de uma plataforma que guarda para si a memória em grafo e as melhores pontuações em benchmarks.	Desenvolvedores que acrescentam memória de usuário entre sessões a chatbots e agentes.	SDK de código aberto gratuito sob Apache 2.0. Platform: Free (10.000 adds e 1.000 recuperações por mês nos primeiros 30 dias, com chamadas de modelo incluídas, depois 50.000 adds e 10.000 recuperações com a sua própria chave de LLM, com cobrança por uso acima disso até um teto que você define); planos Custom sob orçamento. Os antigos planos Starter de US$ 19 e Pro de US$ 249 não aparecem mais.
RAGFlowrepositório	4.0/5	Um produto pronto, do documento à resposta, que você roda em um único servidor, cujo histórico de segurança diz que ele pertence a um lugar atrás de uma VPN, não à internet aberta.	Equipes que querem um assistente de perguntas e respostas sobre documentos e de conhecimento, auto-hospedado, sem construir um pipeline.	Gratuito e de código aberto sob a licença Apache 2.0. A InfiniFlow também vende o RAGFlow Cloud: Free (500 créditos por mês, sem chave de API), Starter $29/mês e Pro $129/mês (cada um exibido contra um preço maior de $59 e $259) e Enterprise sob consulta, com BYOC e implantação on-premises.
LightRAGrepositório	3.9/5	O jeito sensato de experimentar RAG com grafo, mais barato de manter que o Microsoft GraphRAG, mas a maioria das equipes deveria provar que precisa de um grafo antes de adicioná-lo.	Equipes cujas avaliações mostram perguntas multi-hop falhando com busca híbrida e que querem um grafo sobre Postgres.	Gratuito e de código aberto sob a licença MIT. A indexação e as consultas usam seus próprios créditos de LLM e de embeddings.
Cogneerepositório	3.8/5	O Cognee monta um grafo de conhecimento compartilhado a partir de quase qualquer fonte, mas seus padrões precisam de um responsável antes de chegar à produção.	Equipes construindo vários agentes que precisam de um grafo de conhecimento compartilhado montado a partir de muitas fontes.	Código aberto sob Apache 2.0. Cognee Cloud: gratuito até 1M de tokens e um workspace, depois $1 por 1M de tokens mais $5 por workspace extra por mês; o Enterprise é um projeto BYOC sob orçamento.
Lettarepositório	3.7/5	A Letta ainda tem as ideias mais bem pensadas sobre memória de agentes, mas reconstruir o produto em pleno voo deixou os usuários antigos com uma migração e os novos com um alvo em movimento rápido.	Desenvolvedores que querem agentes pessoais ou de equipe de longa duração com memória inspecionável e versionada e estão dispostos a adotar um harness inteiro.	Apache 2.0, gratuito para rodar localmente com as suas próprias chaves de modelo. Letta Cloud: Free (3 agentes, 5 MiB por repositório de memória); Pro US$ 20/mês (20 agentes, 50 MiB, cota de modelos); plano API US$ 20/mês mais US$ 0,10 por agente ativo por mês e US$ 0,00015 por segundo de execução de ferramentas, tokens à parte; Teams Pro US$ 20/usuário/mês; Enterprise sob consulta.
GraphRAGrepositório	3.5/5	Ainda é o design de referência para perguntas sobre o corpus inteiro, mas a Microsoft parou de desenvolvê-lo e a conta da indexação continua tão alta quanto sempre.	Equipes com um conjunto de documentos fixo e de alto valor em que perguntas entre documentos justificam um índice caro feito uma única vez.	Gratuito e open source sob a licença MIT. A indexação roda com os seus próprios créditos da OpenAI ou da Azure OpenAI, e o README avisa que isso pode sair caro.

Lado a lado

As especificações que importam nesta etapa. Verificadas em 23 de out. de 2026; confirme no site do fornecedor antes de decidir.

Conecte ao seu agente

Servidores MCP que permitem que assistentes como Claude, ChatGPT e Cursor usem essas ferramentas diretamente.

• Memory (reference server) 3.5
• MCP Memory Keeper 3.4

Onde esta etapa se encaixa

• Pesquisa e grafo de conhecimento: começaríamos com GraphRAG, Neo4j.
• Assistente com memória de longo prazo: começaríamos com Graphiti, Mem0.

Fontes deste guia

• Configuração do Microsoft GraphRAG
• Graphiti no GitHub
• Zep: arquitetura de grafo de conhecimento temporal (arXiv)
• README do LightRAG (armazenamento)
• Neo4j: busca vetorial com filtros
• Documentação do Mem0: bancos de dados vetoriais
• Cognee no GitHub
• Documentação do RAGFlow: construir um grafo de conhecimento
• Atlan: os melhores frameworks de memória para agentes de IA em 2026
• Quando usar grafos em RAG (GraphRAG-Bench, arXiv)