A Anthropic acaba de lançar o Claude Sonnet 4.5, estabelecendo um novo padrão na indústria de inteligência artificial. Este modelo representa um salto significativo em capacidades de codificação, raciocínio e automação, posicionando-se como o melhor modelo de programação disponível no mercado atual.

O Que Torna o Claude Sonnet 4.5 Especial?

O novo modelo da Anthropic se destaca em três áreas fundamentais: é o melhor modelo de codificação do mundo, o mais forte para construir agentes complexos e o mais eficiente no uso de computadores. Além disso, apresenta ganhos substanciais em raciocínio matemático e lógico.

A capacidade de entender e manipular código é essencial no mundo moderno, já que praticamente todas as aplicações, planilhas e ferramentas de software que utilizamos diariamente dependem dessa tecnologia. O Claude Sonnet 4.5 torna possível não apenas usar essas ferramentas, mas também raciocinar através de problemas complexos.

Desempenho Excepcional em Benchmarks

Os números impressionam: no SWE-bench Verified, uma avaliação que mede habilidades reais de codificação de software, o Claude Sonnet 4.5 alcançou resultados de ponta, liderando o ranking com 77,2% de precisão. Em testes práticos, o modelo demonstrou capacidade de manter o foco por mais de 30 horas em tarefas complexas e de múltiplas etapas.

No OSWorld, benchmark que testa modelos de IA em tarefas reais de computador, o Sonnet 4.5 agora lidera com 61,4%. Apenas quatro meses atrás, o Sonnet 4 mantinha a liderança com 42,2%, mostrando uma evolução rápida e consistente.

O modelo também apresenta melhorias impressionantes em diversas avaliações, incluindo raciocínio e matemática. Especialistas em finanças, direito, medicina e áreas STEM constataram que o Sonnet 4.5 demonstra conhecimento específico de domínio e raciocínio dramaticamente melhores em comparação com modelos anteriores, incluindo o Opus 4.1.

Integração e Recursos Expandidos

Juntamente com o lançamento do Claude Sonnet 4.5, a Anthropic implementou uma série de atualizações importantes em seus produtos:

Claude Code: Agora inclui checkpoints, um dos recursos mais solicitados, que salvam o progresso e permitem reverter instantaneamente para um estado anterior. A interface do terminal foi renovada e uma extensão nativa para VS Code está disponível.

API do Claude: Ganhou novos recursos de edição de contexto e ferramentas de memória que permitem aos agentes executar por períodos ainda mais longos e lidar com complexidade ainda maior.

Aplicativos Claude: A execução de código e a criação de arquivos (planilhas, apresentações e documentos) foram incorporadas diretamente às conversas.

Claude para Chrome: A extensão foi disponibilizada para usuários Max que entraram na lista de espera no mês anterior, colocando as capacidades aprimoradas de uso de computador em prática diretamente no navegador.

SDK de Agentes Claude: Democratizando a Criação de IA

Um dos anúncios mais significativos é o lançamento do Claude Agent SDK, que fornece aos desenvolvedores os mesmos blocos de construção que a Anthropic usa internamente para criar o Claude Code. Essa infraestrutura, que alimenta os produtos de ponta da empresa, agora está disponível para todos os desenvolvedores construírem suas próprias soluções.

Durante mais de seis meses desenvolvendo o Claude Code, a Anthropic resolveu problemas complexos: como os agentes devem gerenciar memória em tarefas de longa duração, como lidar com sistemas de permissão que equilibram autonomia com controle do usuário e como coordenar subagentes trabalhando em direção a um objetivo compartilhado.

Alinhamento e Segurança Aprimorados

O Claude Sonnet 4.5 não é apenas o modelo mais capaz da Anthropic, mas também o modelo de fronteira mais alinhado já lançado. As capacidades aprimoradas do Claude e o extenso treinamento de segurança permitiram melhorar substancialmente o comportamento do modelo, reduzindo comportamentos preocupantes como servilismo, engano, busca de poder e tendência a encorajar pensamento delirante.

Para as capacidades agênticas e de uso de computador do modelo, a empresa fez progressos consideráveis na defesa contra ataques de injeção de prompt, um dos riscos mais sérios para usuários dessas capacidades.

O modelo está sendo lançado sob as proteções de Nível 3 de Segurança em IA (ASL-3), conforme a estrutura da Anthropic que combina capacidades do modelo com salvaguardas apropriadas. Essas proteções incluem filtros chamados classificadores que visam detectar entradas e saídas potencialmente perigosas.

Feedback de Empresas Líderes

Empresas de tecnologia de ponta já estão experimentando os benefícios do Claude Sonnet 4.5:

• Cursor: Relata desempenho de codificação de ponta, com melhorias significativas em tarefas de longo prazo.
• GitHub: Observou que o Sonnet 4.5 amplifica os pontos fortes do Copilot, com melhorias significativas em raciocínio de múltiplas etapas e compreensão de código.
• HackerOne: Reduziu o tempo médio de análise de vulnerabilidades para seus agentes de segurança Hai em 44%, melhorando a precisão em 25%.
• Devin: Experimentou um aumento de 18% no desempenho de planejamento e 12% nas pontuações de avaliação completa, o maior salto desde o lançamento do Claude Sonnet 3.6.
• Canva: Observou ganhos impressionantes nas tarefas mais complexas de contexto longo, desde engenharia até recursos do produto e pesquisa, ajudando mais de 240 milhões de usuários.

Disponibilidade e Preços

O Claude Sonnet 4.5 está disponível globalmente a partir de hoje. Desenvolvedores podem acessá-lo simplesmente usando o identificador claude-sonnet-4-5 via API do Claude. O preço permanece o mesmo do Claude Sonnet 4, a US$ 3/US$ 15 por milhão de tokens.

Para uso nos aplicativos, a execução de código e criação de arquivos estão disponíveis em todos os planos pagos. As atualizações do Claude Code estão disponíveis para todos os usuários, enquanto as atualizações da Plataforma de Desenvolvedor Claude, incluindo o SDK de Agentes, estão disponíveis para todos os desenvolvedores.

Imagine with Claude: Prévia de Pesquisa

Como bônus, a Anthropic está lançando uma prévia temporária de pesquisa chamada “Imagine with Claude”. Neste experimento, o Claude gera software em tempo real, sem funcionalidade predeterminada ou código pré-escrito. É uma demonstração divertida mostrando o que o Claude Sonnet 4.5 pode fazer quando você combina um modelo capaz com a infraestrutura certa.

O “Imagine with Claude” está disponível para assinantes Max pelos próximos cinco dias no site claude.ai/imagine.

Conclusão

O Claude Sonnet 4.5 representa um marco significativo no desenvolvimento de inteligência artificial, combinando capacidades excepcionais de codificação, raciocínio aprimorado e alinhamento robusto de segurança. Com sua disponibilidade imediata e preço competitivo, o modelo está pronto para transformar a forma como desenvolvedores e empresas abordam problemas complexos de software.

A recomendação da Anthropic é clara: atualizar para o Claude Sonnet 4.5 para todos os usos. Seja por meio dos aplicativos, da API ou do Claude Code, o Sonnet 4.5 é uma substituição direta que oferece desempenho muito superior pelo mesmo preço.

Para mais informações técnicas detalhadas e resultados de avaliação completos, consulte o system card oficial, a página do modelo e a documentação no site da Anthropic.

O Google lançou o Agent Payments Protocol (AP2), um protocolo aberto projetado para permitir que agentes de inteligência artificial, baseados em qualquer modelo de linguagem de grande escala, realizem compras online de forma segura. Esse protocolo inovador aborda desafios críticos em pagamentos agentivos, como segurança e responsabilidade, ao oferecer um framework padronizado e flexível para transações automatizadas. Integrado a protocolos como o A2A do Google e o MCP da Anthropic, o AP2 suporta diversos métodos de pagamento, incluindo cartões de crédito, transferências bancárias, pagamentos digitais e criptomoedas. Este artigo explora como o AP2 funciona, sua importância e seu potencial para transformar o comércio eletrônico.

Como o AP2 Funciona

O AP2 utiliza contratos assinados criptograficamente, chamados mandatos, para garantir transações seguras e responsáveis. Esses mandatos mitigam riscos como fraudes e erros, documentando claramente os termos da compra, sua execução e a autorização do pagamento. O processo envolve três mandatos principais:

1. Mandato de Intenção: Este mandato define as regras para a compra, como limites de preço, prazos e atributos do item. Por exemplo, um usuário pode instruir um agente de IA a “comprar tênis [marca e modelo] quando entrarem em promoção”. O agente solicita que o usuário especifique detalhes como tamanho, cor e preço máximo, criando um mandato de intenção autorizado em tempo real ou previamente.
2. Mandato de Carrinho: Este contrato detalha o conteúdo do carrinho de compras virtual, incluindo descrições dos itens, preços e termos do acordo, garantindo clareza do lado do vendedor.
3. Mandato de Pagamento: Este mandato informa à rede de pagamento (composta por instituições financeiras e processadores de pagamento) que a transação foi autorizada pelo usuário ou seu agente, permitindo a transferência segura de fundos.

Se uma transação for fraudulenta ou incorreta, o processador de pagamento pode consultar esses mandatos para determinar a responsabilidade, aumentando a confiança nos sistemas agentivos.

Contexto

Várias empresas têm experimentado pagamentos agentivos, com resultados variados. Por exemplo, no último ano, a Stripe lançou um toolkit de pagamentos agentivos que emite cartões de débito descartáveis para cada compra, reduzindo riscos. No entanto, a abordagem da Stripe era limitada ao seu sistema de pagamento, modelos específicos e frameworks agentivos. Em contrapartida, o AP2 do Google é mais abrangente, lançando com mais de 60 parceiros, incluindo processadores de pagamento, instituições financeiras e gigantes de software. Essa ampla colaboração aumenta sua interoperabilidade e potencial de adoção em diversas plataformas.

Por que Isso Importa

O AP2 possibilita o comércio automatizado impulsionado por agentes, permitindo que agentes de IA atuem em nome de compradores e vendedores de maneira segura e padronizada. Por exemplo, um usuário pode solicitar a um agente que reserve uma viagem dentro de um orçamento e localização específicos. O agente pode interagir com agentes de vários vendedores para montar pacotes de viagem personalizados, apresentando opções ao usuário ou selecionando autonomamente o melhor. Esse processo simplificado beneficia compradores, que obtêm resultados personalizados, e vendedores, que concretizam vendas valiosas com menos atrito.

A flexibilidade do protocolo suporta uma ampla gama de casos de uso, desde comércio eletrônico até planejamento de viagens, enquanto suas medidas de segurança reduzem os riscos associados a transações autônomas. Ao promover um ecossistema onde qualquer participante pode realizar vendas automatizadas, o AP2 abre caminho para uma nova era de comércio impulsionado por IA.

O Cenário Mais Amplo

O crescimento dos pagamentos agentivos reflete uma tendência mais ampla em IA, onde sistemas autônomos estão cada vez mais integrados às tarefas do dia a dia. Assim como a internet transformou agentes de viagem em papéis mais dinâmicos e baseados em tecnologia, o AP2 capacita agentes de IA a lidar com transações complexas com mínima intervenção humana. Essa evolução pode redefinir como compramos, reservamos serviços e interagimos com mercados digitais.

Conclusão

O AP2 do Google é um passo significativo para possibilitar pagamentos agentivos seguros, escaláveis e flexíveis. Ao abordar preocupações com segurança e responsabilidade por meio de mandatos assinados criptograficamente, o AP2 capacita desenvolvedores a criar soluções inovadoras de comércio impulsionadas por IA. Com a adoção crescente de sua extensa rede de parceiros, o protocolo tem o potencial de revolucionar como as transações são realizadas online, tornando-as mais eficientes e amigáveis ao usuário.

Este artigo foi originalmente publicado em: https://www.linkedin.com/newsletters/ezine-dev-ramos-da-inform%25C3%25A1tica-6947960536550526976/

A inteligência artificial tem avançado a passos largos, e com ela, a necessidade de sistemas que possam não apenas processar informações, mas também compreendê-las e raciocinar sobre elas de forma mais sofisticada. Neste contexto, o Retrieval Augmented Generation (RAG) emergiu como uma técnica promissora para aprimorar a capacidade de Large Language Models (LLMs) de gerar respostas mais precisas e contextualmente relevantes. No entanto, o RAG tradicional, que se baseia principalmente em vetores para busca de informações, possui suas limitações, especialmente quando se trata de lidar com dados complexos e interconectados. É aqui que o GraphRAG, ou RAG baseado em grafos, se destaca como uma evolução natural, integrando o poder dos grafos de conhecimento (KGs) e bancos de dados de grafos com os LLMs.

Este artigo explora os padrões de design, desafios e recomendações para a implementação eficaz do GraphRAG, com base em análises de conteúdo relevante e informações extraídas de documentos e artigos especializados.

O que é GraphRAG?

GraphRAG é uma abordagem que aprimora o RAG tradicional ao incorporar grafos de conhecimento ou bancos de dados de grafos. Ele aproveita a natureza estruturada dos bancos de dados de grafos para organizar dados como nós e relacionamentos, permitindo uma recuperação mais eficiente e precisa de informações relevantes. Essa estruturação fornece um contexto mais rico para os LLMs, resultando em respostas mais precisas, contextualmente conscientes e relevantes, especialmente para consultas complexas que exigem uma compreensão holística de conceitos semânticos resumidos em grandes coleções de dados ou até mesmo em documentos únicos e extensos.

Enquanto os métodos convencionais de busca vetorial se concentram em dados não estruturados usando vetores de alta dimensão, o GraphRAG utiliza grafos de conhecimento para permitir uma compreensão e recuperação mais nuançada de informações interconectadas e heterogêneas. Essa abordagem estruturada aprimora o contexto e a profundidade das informações recuperadas, levando a respostas mais precisas e relevantes às consultas dos usuários, especialmente para tópicos complexos ou específicos de domínio.

Arquiteturas de GraphRAG

A implementação do GraphRAG apresenta desafios únicos devido à falta de uma abordagem padronizada para integrar grafos de conhecimento na pipeline do RAG. No entanto, diversas arquiteturas comuns têm sido exploradas:

1. Grafo de Conhecimento com Agrupamento Semântico

Nesta arquitetura, o grafo de conhecimento fornece uma representação estruturada dos dados e permite o raciocínio sobre todo o conjunto de dados. A pipeline começa com uma consulta do usuário, seguida pelo uso do grafo de conhecimento e aprendizado de máquina de grafo para buscar informações relevantes. As informações recuperadas são então organizadas em clusters semânticos através de agrupamento baseado em grafo. Essas informações agrupadas enriquecem os dados no contexto do LLM, permitindo que o LLM gere uma resposta usando esse contexto enriquecido. A resposta final inclui referências ao grafo de conhecimento, tornando-a adequada para análise de dados, descoberta de conhecimento e aplicações de pesquisa.

2. Integração de Grafo de Conhecimento e Banco de Dados Vetorial

Esta abordagem utiliza tanto um grafo de conhecimento quanto um banco de dados vetorial para coletar informações relevantes. O grafo de conhecimento é construído de forma a capturar os relacionamentos entre os chunks de vetores, incluindo hierarquias de documentos. O grafo de conhecimento fornece informações estruturadas de entidades na vizinhança dos chunks recuperados da busca vetorial, enriquecendo o prompt com contexto adicional valioso. Este prompt enriquecido é alimentado no LLM para processamento, e o LLM gera uma resposta. Finalmente, a resposta gerada é retornada ao usuário. Esta arquitetura é adequada para casos de uso como suporte ao cliente, busca semântica e recomendações personalizadas.

3. Pipeline de Resposta a Perguntas Aprimorada por Grafo de Conhecimento

Nesta arquitetura, o grafo de conhecimento é usado a jusante da recuperação vetorial para aprimorar a resposta com fatos adicionais. A pipeline começa com o usuário fornecendo uma consulta, seguida pelo cálculo do embedding da consulta. Uma busca de similaridade vetorial é então conduzida no índice vetorial para identificar entidades relevantes do grafo de conhecimento. O sistema recupera os nós e propriedades relevantes do banco de dados de grafo e (se encontrados) executa consultas Cypher para recuperar informações adicionais sobre essas entidades. As informações recuperadas são agregadas para formar um contexto abrangente, que é passado para o LLM para gerar uma resposta. Esta abordagem é benéfica em ambientes de saúde ou jurídicos, onde uma resposta padrão é sempre incluída junto com a resposta, com base nas entidades na resposta.

4. Recuperação Híbrida Aprimorada por Grafo

Esta arquitetura GraphRAG emprega uma abordagem híbrida que combina busca vetorial, busca por palavra-chave e consultas específicas de grafo para uma recuperação eficiente e precisa de informações relevantes. O termo “híbrido” aqui não se refere apenas à combinação de recuperação baseada em vetor e palavra-chave – ele também inclui uma etapa de recuperação de grafo de conhecimento. A pipeline começa com uma consulta do usuário, seguida pelo processo de recuperação híbrida que integra resultados de buscas de dados não estruturados e buscas de dados de grafo. A recuperação do índice vetorial e de palavra-chave pode ser inicialmente aprimorada por meio de técnicas de reranking ou fusão de classificação. Os resultados de todas as três formas de busca são combinados para criar o contexto para um LLM, cuja resposta gerada é entregue ao usuário. Esta arquitetura é adequada para casos de uso como busca empresarial, recuperação de documentos e descoberta de conhecimento.

5. Aumento e Geração de Consulta Baseados em Grafo de Conhecimento

Esta arquitetura utiliza um grafo de conhecimento antes de realizar a busca vetorial, para percorrer e recuperar nós e arestas relevantes, enriquecendo a janela de contexto do LLM. A primeira etapa é o aumento da consulta, onde a consulta do usuário é processada pelo LLM para extrair entidades e relacionamentos-chave. Uma busca vetorial é realizada nas propriedades dos nós dentro do grafo de conhecimento, para refinar os nós de interesse relevantes. A próxima etapa é a reescrita da consulta, na qual as consultas Cypher são geradas no subgrafo recuperado para refinar ainda mais as informações estruturadas do grafo. Os dados recuperados da travessia do grafo são usados para enriquecer a janela de contexto do LLM. Finalmente, o LLM gera uma resposta com base no contexto enriquecido. Esta arquitetura é adequada para pesquisas de produtos ou geração de relatórios financeiros, onde os relacionamentos entre as entidades são importantes.

Desafios Chave

A construção de um grafo de conhecimento abrangente e preciso exige um profundo entendimento do domínio e experiência em modelagem de grafos, o que é complexo e intensivo em recursos. A automação desse processo com LLMs ainda está em seus estágios iniciais e pode ser difícil e/ou propensa a erros. Garantir a qualidade, relevância e completude dos dados é crucial. Manter um grafo de conhecimento atualizado exige conhecimento especializado, recursos e adaptação constante aos dados em evolução. A integração de dados de múltiplas fontes com diferentes esquemas e níveis de qualidade aumenta a complexidade e o tempo necessário para essa tarefa.

Além disso, o próprio RAG exige experimentos computacionalmente exigentes para identificar estratégias ótimas de extração de informações, chunking, embedding, recuperação e classificação. Experimentos computacionalmente intensivos para explorar diferentes arquiteturas, configurações e parâmetros do GraphRAG também exigem recursos significativos. O aproveitamento de um framework de computação distribuída como o Ray para processamento de dados e computação de embeddings, juntamente com um banco de dados de grafo de alto desempenho e fácil integração como o Kuzu, facilita a experimentação em larga escala e a otimização do sistema.

O Futuro do GraphRAG: Insights e Recomendações

O GraphRAG é uma extensão natural do RAG e veio para ficar. O uso de grafos de conhecimento oferece outra maneira de obter informações estruturadas que podem aprimorar os prompts usados pelo LLM na fase de geração. Aqui estão algumas recomendações para começar a implementar o GraphRAG em sua organização:

•Primeiro, familiarize-se com o RAG “ingênuo” (recuperação vetorial com chunking). Torne-se proficiente em executar experimentos e desenvolver uma estratégia de avaliação (o que é considerado um “bom” resultado em seu domínio?).

•Trabalhe na obtenção das fontes de dados para um grafo de conhecimento, que podem ser dados estruturados existentes ou texto não estruturado que pode ser transformado em um grafo de conhecimento.

•Familiarize-se com bancos de dados de grafos, como ingerir dados neles e como consultá-los (o Kuzu é uma opção fácil de configurar).

•Comece com um pequeno grafo de conhecimento e experimente passar os resultados da consulta do grafo como contexto para um LLM, e compare seu desempenho com sua configuração RAG ingênua.

•Não otimize seu grafo de conhecimento muito cedo. Primeiro, defina uma arquitetura GraphRAG que você possa implementar. Você pode começar a melhorar seu KG e modelo de dados assim que tiver toda a sua configuração GraphRAG e pipelines de avaliação em vigor.

•Execute sua pipeline GraphRAG de ponta a ponta e convença-se de que os resultados são realmente melhores do que as abordagens somente vetoriais ou somente grafos.

•Não tente construir o aplicativo GraphRAG perfeito de imediato. Começar com um design mais simples ajuda a quantificar melhor os resultados da recuperação em relação a uma linha de base, e você pode construir a partir daí adicionando roteadores e agentes mais elaborados.

•À medida que sua iniciativa GraphRAG evolui e suas necessidades crescem, você pode se encontrar precisando de arquiteturas mais complexas que possam lidar com maiores volumes de dados. Para garantir uma transição suave, é sensato escolher ferramentas que possam escalar junto com seu projeto. As ferramentas devem ser flexíveis e econômicas para acomodar aprimoramentos em sua configuração e design do GraphRAG, permitindo que você adapte e otimize seu sistema conforme suas necessidades mudam.

É importante notar que o GraphRAG ainda está em seus estágios iniciais, e muitas equipes que constroem esses sistemas ainda estão na fase exploratória. Há poucos exemplos de implantações em produção que estejam oferecendo valor comercial real. Para chegar lá, serão necessários mais conjuntos de dados de benchmark e metodologias de avaliação projetadas especificamente para o GraphRAG, a fim de ajudar as equipes a avaliar melhor o desempenho. Conjuntos de dados de benchmark como o FinanceBench, projetado para resposta a perguntas de livro aberto, oferecem um meio promissor de estudar a capacidade de um sistema GraphRAG de reduzir alucinações e melhorar a precisão factual nas respostas geradas.

Conclusão

O GraphRAG representa um avanço significativo no campo da inteligência artificial, oferecendo uma abordagem mais robusta e precisa para a recuperação e geração de informações. Ao alavancar a estrutura rica dos grafos de conhecimento, ele permite que os LLMs compreendam e respondam a consultas complexas com maior profundidade e relevância. Embora a implementação do GraphRAG apresente desafios, as diversas arquiteturas e as recomendações fornecidas neste artigo servem como um guia valioso para organizações que buscam explorar e integrar essa tecnologia inovadora em suas operações. À medida que a pesquisa e o desenvolvimento continuam, espera-se que o GraphRAG se torne uma ferramenta indispensável para a construção de sistemas de IA mais inteligentes e autônomos.

Este artigo foi originalmente publicado em: https://www.linkedin.com/newsletters/ezine-dev-ramos-da-inform%25C3%25A1tica-6947960536550526976/

Palavras chaves:

Como implementar GraphRAG

Integração de LLMs com grafos de conhecimento

Respostas precisas com IA

Pipelines de GraphRAG

Recuperação híbrida de informações

Redução de alucinações em IA

Banco de dados de grafos Kuzu

Aplicações de GraphRAG em negócios