RAG vs CAG vs KAG: diferenças, arquitetura e quando utilizar cada abordagem

Compare RAG, CAG e KAG: recuperação, cache de conhecimento e grafos. Arquitetura, trade-offs e critérios objetivos de escolha.

Por Emerson AmorimPublicado em 19 de setembro de 202614 min de leitura

RAG recupera evidências sob demanda. CAG antecipa conhecimento no contexto ou em cache quente. KAG estrutura fatos em grafo. A escolha correta depende de volatilidade dos dados, necessidade de rastreio e custo de latência.

Definições operacionais

RAG (Retrieval-Augmented Generation): busca documentos/trechos no momento da consulta e condiciona a geração
CAG (Cache-Augmented Generation): materializa conhecimento frequente em cache ou prefixo para reduzir recuperação repetida
KAG (Knowledge-Augmented Generation via grafo): usa entidades e relações explícitas para raciocínio e verificação

Comparativo arquitetural

Critério	RAG	CAG	KAG
Atualização	Indexação incremental	Invalidate/rebuild de cache	Atualização de nós/arestas
Rastreio	Trechos recuperados	Hit de cache / prefix id	Caminhos no grafo
Latência típica	Busca + rerank + LLM	Menor se cache quente	Traversal + LLM
Melhor para	Corpora amplos e mutáveis	Perguntas repetidas / políticas estáveis	Relações e consistência factual
Risco principal	Alucinação com trechos ruins	Cache obsoleto	Grafo incompleto ou enviesado

Arquitetura RAG

Pipeline clássico: ingestão → chunking → embeddings → índice vetorial (+ lexical) → retrieval → rerank → prompt com citações → geração. Em produção, acrescente ACL por documento, telemetria de hit rate e avaliação de groundedness.

Esqueleto de retrieval com filtro de acesso

def retrieve(query: str, user_acl: set[str], k: int = 8) -> list[dict]:
    hits = vector_search(query, k=k * 3)
    allowed = [h for h in hits if h["doc_acl"] & user_acl]
    return rerank(query, allowed)[:k]

Arquitetura CAG

CAG brilha quando o mesmo bloco de conhecimento é reutilizado: políticas internas, FAQ estável, manuais de produto. Você pré-compila um pacote de contexto (ou KV-cache de prefixo, quando a infraestrutura do modelo permitir) e invalida por versão de documento.

Chave de cache: tenant + versão do corpus + idioma
TTL curto para conteúdo regulatório
Fallback para RAG quando miss ou stale

Arquitetura KAG

KAG extrai entidades e relações, persiste em grafo e usa traversal ou consultas estruturadas antes da geração. É útil para compliance, linhagem de dados e perguntas do tipo “qual sistema depende de X?”.

Consulta ilustrativa de dependência

MATCH (s:Service)-[:DEPENDS_ON*1..3]->(d:Service {name: $name})
RETURN s.name AS dependent, length(path) AS hops
ORDER BY hops

Quando usar cada abordagem

Comece com RAG se o corpus é grande, heterogêneo e muda com frequência
Adicione CAG para hot paths com perguntas repetidas e documentos versionados
Introduza KAG quando a pergunta exige relações explícitas ou auditoria de fatos
Combine: KAG para plano de evidências + RAG para texto de suporte + CAG para políticas

Limitações e erros comuns

Tratar CAG como substituto universal do retrieval
Grafo sem governança de ontologia
RAG sem controle de acesso no índice
Otimizar embedding antes de medir qualidade da pergunta e do chunking