Orquestração Multiagente na Geração Aumentada por Recuperação Híbrida

Abstract

Modelos de Linguagem de Larga Escala (LLMs) apresentam fragilidades conhecidas em atualização de conhecimento e explicabilidade. A Geração Aumentada por Recuperação (RAG) atenua parte desse problema ao incorporar evidências externas, mas herda limitações quando baseia-se apenas em similaridade vetorial. Este trabalho investiga a orquestração multiagente de um pipeline RAG híbrido que combina busca vetorial e grafo de conhecimento (GraphRAG), visando melhorar fidelidade factual, rastreabilidade e eficiência operacional. Propõe-se uma arquitetura em três camadas: persistência (PostgreSQL + pgvector e Neo4j), conhecimento (Graphiti para extração de entidades e relações) e agentes (LangGraph/Pydantic AI), com cinco papéis: coordenação, recuperação (vetorial/grafo/híbrida), conhecimento, síntese e validação. O corpus de experimentos inclui seis artigos (Scopus) previamente ingeridos, totalizando 688 chunks e 3.434 entidades; a execução do pipeline é auditável via logs e validação automática de afirmações. Em um benchmark com 30 queries, a busca híbrida apresentou menor alucinação média (0,066), ao passo que a busca em grafo obteve menor latência total (≈ 19 s), evidenciando trade-offs entre velocidade e fidelidade. Os resultados confirmam que a especialização por agentes e a recuperação híbrida melhoram a qualidade de respostas, mantendo explicabilidade por caminhos no grafo.