Nossa Tecnologia

Recomendar é raciocinar — não apenas buscar.

Construímos Knowledge Graphs e sistemas Graph RAG que entendem relações entre produtos, pessoas e contexto. O resultado: assistentes conversacionais que respondem com precisão, descobrem conexões invisíveis para a busca tradicional, e nunca inventam o que não existe no catálogo.

01 Fundamentosknowledge graphs · estrutura

01Fundamentos

O que são Knowledge Graphs?

Knowledge Graphs (Grafos de Conhecimento) representam o mundo como uma rede de entidades conectadas por relações — não como blocos de texto isolados. Pesquisas recentes apontam consistentemente que essa estruturação reduz ruído em sistemas RAG e melhora a precisão de respostas em contextos especializados.04

i.// nós

Entidades (nós)

Produtos, pessoas, marcas, estilos, atributos, ocasiões. Tudo que tem identidade própria e pode ser referenciado.

Exemplo"Vestido de linho" · "Estética coastal" · "Marca X"

ii.// arestas

Relações (arestas)

Como as entidades se conectam. Relações são tipadas — não são apenas vínculos, têm significado próprio.

Exemplo"Vestido de linho" → [PERTENCE_AO_ESTILO] → "Coastal" → [COMBINA_COM] → "Sandália rasteira"

iii.// semântica

Contexto semântico

O significado emerge das conexões. Isso permite raciocínio que vai muito além de busca por palavra-chave ou similaridade vetorial.

ResultadoA IA navega pelo grafo — não pesquisa no texto.

02 Por que importapara a Pumpkin

02Por que importa

Três ganhos mensuráveis que mudam o jogo.

Pesquisa recente é consistente: Graph RAG não é hype — é a próxima camada de RAG, com ganhos comprovados em precisão, fundamentação e auditabilidade.

// raciocínio

Raciocínio multi-hop

+10pp precisão geral · +20pp em queries temporais e comparativas

Em benchmarks de consultas multi-hop (HotPotQA, MultiHop-RAG), abordagens Graph RAG superam RAG tradicional em até 10 pontos percentuais na precisão geral, com ganhos de até 20 pontos em consultas temporais e comparativas.02

É exatamente o tipo de pergunta que aparece em conversa real.

Exemplo · pergunta real do cliente

"Quero um presente para minha irmã que faz trilha e yoga, até R$300, que chegue antes da sexta."

RAG vetorial tradicional

Retorna produtos que contêm "trilha" ou "yoga" no texto. Ignora preço. Ignora prazo. Ignora perfil. Lista 200 itens, e o cliente desiste.

Graph RAG da Pumpkin

Percorre o caminho lógico inteiro — e retorna apenas itens que satisfazem todas as condições.

perfil → atividades → categorias → preço → prazo

ii.

// fundamentação

Fundamentação verificável

72–83% wins · 1M+ tokens · avaliação cega

Cada afirmação do assistente é gerada a partir de entidades reais do catálogo, reduzindo drasticamente as alucinações típicas de LLMs — produtos inventados, atributos incorretos, preços fictícios.

Em avaliações cegas sobre corpora de 1M+ tokens, abordagens Graph RAG vencem RAG vetorial em 72–83% dos casos quando o critério é precisão e completude.01

iii.

// auditabilidade

Explicabilidade nativa

100% das recomendações com caminho rastreável

Cada recomendação acompanha o caminho percorrido no grafo — quais entidades, quais relações, quantos hops.

Auditoria, compliance e debugging deixam de ser caixa-preta. Em setores regulados, isso muda quem pode usar IA em produção.

04 Arquiteturastack tecnológica

04Arquitetura

Nossa stack tecnológica.

Combinamos infraestrutura de grafos, frameworks de orquestração modernos e os melhores LLMs disponíveis. Stack pensada para performance em produção, não para demo.

Neo 4j/01

// graph database

Banco de dados de grafos nativo, com queries via Cypher. A fundação de toda a nossa camada de conhecimento.

LangChain · LlamaIndex/02

// orchestration frameworks

Integração modular entre recuperação, prompts e agentes. Permite trocar componentes sem reescrever o pipeline.

OpenAI · Anthropic/03

// large language models

Modelos de última geração para geração de queries e síntese de respostas. Trocamos quando o trade-off muda — sem lock-in.

Vector embeddings/04

// semantic search

Busca semântica e matching fuzzy de entidades. Complementa o grafo, não compete com ele.

Python · TypeScript/05

// core languages

Python para pipelines de dados e ML; TypeScript para interfaces de alta performance.

FastAPI · Next.js/06

// web frameworks

APIs robustas e interfaces modernas com Server Components. Latência baixa, custo previsível.

/ próximo passo

Quer ver o Graph RAG da Pumpkin funcionando no seu catálogo?

Agendamos uma sessão técnica para mapear seu cenário e mostrar a tecnologia rodando com seus dados.

Falar com especialista Voltar pra home

05 Referênciaspesquisa · papers de fundamentação

05Pesquisa

Base Científica.

Aqui na Pumpkin atuamos baseado em pesquisa, não em hype.

Edge, D., Trinh, H., Cheng, N., et al. — 2024From Local to Global: A GraphRAG Approach to Query-Focused Summarization↗Microsoft Research

↗02

Han, H., Ma, L., Wang, Y., et al. — 2025RAG vs. GraphRAG: A Systematic Evaluation and Key Insights↗Preprint · benchmark sistemático

↗03

Dong, Y., Wang, S., Zheng, H., et al. — 2024Advanced RAG Models with Graph Structures: Optimizing Complex Knowledge Reasoning and Text Generation↗ISCEIC 2024

↗04

Procko, T. T., & Ochoa, O. — 2024Graph Retrieval-Augmented Generation for Large Language Models: A Survey↗AIxSET 2024

↗