Sistema de Conhecimento em Produção

Construir um sistema de conhecimento de nível produção obriga a enfrentar problemas que a maioria dos tutoriais de RAG ignora completamente: como lidar com conhecimento que muda ao longo do tempo? O que acontece quando um novo documento contradiz um mais antigo? Como ingerir de fontes heterogêneas — documentos, notas, conversas, código — sem escrever um parser específico para cada uma? A arquitetura se concentra em três problemas: normalização de ingestão (um esquema comum independente do formato de origem), consolidação de memória (detectar e resolver quando novo conhecimento substitui entradas mais antigas) e roteamento de consultas (combinando similaridade semântica com recuperação estruturada). O pipeline de ingestão processa o conteúdo bruto por uma camada de normalização antes do embedding, de modo que a busca vetorial opera sobre unidades de conhecimento limpas e padronizadas, e não sobre fragmentos brutos de documentos. O armazenamento com endereçamento por conteúdo via hashes evita re-embeddings duplicados e habilita atualizações incrementais eficientes. A arquitetura está totalmente projetada e documentada; o pipeline central de ingestão e a camada de embedding estão construídos. A consolidação de memória — a parte mais difícil — está em desenvolvimento ativo. O trabalho de design veio diretamente da entrega de um sistema de conhecimento em produção em contexto comercial, e a implementação pessoal é o espaço para resolver os problemas restantes adequadamente, sem a pressão de produção restringindo o espaço de solução. Este projeto faz uma afirmação específica: engenharia agêntica sênior é saber quais problemas já estão resolvidos e quais exigem design real. Os problemas resolvidos — chunking, embedding, recuperação vetorial — são tratados pelo ferramental existente. Os problemas não resolvidos — detecção de substituição, consolidação entre fontes, atualidade do conhecimento — são onde a engenharia de fato acontece. Esta implementação torna essa distinção visível.