 |
| Bellacosa Mainframe apresenta RAG e a evolução da IA |
☕ Um Café no Bellacosa Mainframe
Classic RAG, Graph RAG e Agentic RAG: A Evolução da Inteligência Artificial Explicada para Quem Já Entendeu um JCL
"Nem toda aplicação precisa de um Parallel Sysplex. Nem toda IA precisa de um Agentic RAG."
Existe um fenômeno curioso acontecendo no mercado de Inteligência Artificial.
Basta uma empresa anunciar que utiliza IA para imediatamente aparecerem palavras como Agentic AI, Graph RAG, Knowledge Graph, MCP, AI Agents, Multi-Agent Systems, Planning, Reasoning, Memory, Tool Calling...
Tudo parece extremamente sofisticado.
Mas existe um problema.
Na maioria das vezes, a empresa precisava apenas de um bom mecanismo para responder perguntas sobre documentos.
Nada mais.
Como dizia um velho arquiteto de sistemas que conheci:
"Nunca compre um caminhão para buscar pão na esquina."
Essa frase resume perfeitamente o assunto de hoje.
Vamos entender por que existem diferentes arquiteturas RAG e, principalmente, quando utilizar cada uma delas.
Pegue seu café.
Hoje a conversa vai longe.
O nascimento do problema
Imagine um chatbot tradicional.
Você pergunta:
Como faço um BIND PACKAGE no Db2?
O modelo responde.
Mas... de onde veio essa resposta?
Do treinamento.
Se o treinamento terminou há dois anos...
Ele nunca viu a documentação mais recente.
Muito menos os procedimentos internos da empresa.
Resultado?
Ele começa a...
"...achar..."
"...supor..."
"...inventar..."
É o famoso:
Hallucination
No mundo Mainframe isso seria equivalente ao operador responder:
"Acho que esse JCL funciona..."
Ninguém faz isso em produção.
Surge o RAG
Retrieval-Augmented Generation.
Traduzindo:
Geração aumentada através da recuperação de conhecimento.
A ideia é brilhante.
Em vez do modelo responder sozinho...
Primeiro buscamos informação.
Depois perguntamos ao modelo.
Ou seja:
Usuário
↓
Pergunta
↓
Busca documentos
↓
Seleciona informações
↓
Entrega ao LLM
↓
Resposta
Agora o modelo responde baseado em fatos.
Não em memória.
A biblioteca do Reino IBM Z
Imagine um enorme castelo.
Dentro existe uma biblioteca infinita.
Livros IBM.
Redbooks.
Runbooks.
Documentação interna.
Procedimentos.
APARs.
Manuais RACF.
Guias CICS.
JCL Standards.
DB2 Utilities.
Agora imagine um bibliotecário.
Você pergunta:
Como criar um Dataset VSAM?
Ele corre até a estante.
Encontra o livro.
Marca a página.
Entrega para você.
Esse bibliotecário é o Classic RAG.
Classic RAG
É disparado o mais utilizado atualmente.
E existe um motivo.
Ele resolve aproximadamente 70% dos problemas corporativos.
Por quê?
Porque empresas possuem milhares de documentos.
E funcionários vivem procurando informações.
O fluxo é simples.
Pergunta
↓
Embedding
↓
Banco Vetorial
↓
Top-K documentos
↓
LLM
↓
Resposta
Parece simples.
Mas há muita tecnologia escondida aqui.
O que é Embedding?
Essa palavra assusta muitos iniciantes.
Mas a ideia é incrivelmente simples.
Imagine duas frases.
Como criar um usuário RACF?
e
Como cadastrar um novo usuário no RACF?
As palavras são diferentes.
O significado é praticamente igual.
O embedding transforma frases em coordenadas matemáticas.
Algo como:
[0.18,0.42,0.81...]
Esses números representam significado.
Não palavras.
É como colocar cada documento em um enorme mapa tridimensional.
Documentos parecidos ficam próximos.
Documentos diferentes ficam distantes.
Banco Vetorial
Aqui mora a mágica.
Diferente de um banco SQL...
Ele não procura igualdade.
Procura proximidade.
Imagine perguntar:
Como executar REORG?
Mesmo que nenhum documento possua exatamente essa frase...
Ele encontra documentos sobre:
RUNSTATS
REORG TABLESPACE
Utilities Db2
REORG INDEX
Porque entende contexto.
Não texto.
Por que ele é tão rápido?
Porque ele utiliza índices vetoriais.
Algoritmos como:
HNSW
IVF
PQ
Annoy
FAISS
Eles permitem pesquisar milhões de documentos em poucos milissegundos.
Onde o Classic RAG brilha?
Praticamente qualquer base documental.
Exemplos:
FAQ
Help Desk
RH
Jurídico
Normas ISO
IBM Docs
Redbooks
COBOL Standards
CICS Manuals
RACF Procedures
Catálogo interno
Mas existe um limite...
Imagine perguntar:
Quais programas COBOL utilizam a tabela CLIENTE, que é acessada pelo Job FIN001, que chama uma transação CICS ligada ao MQ?
Agora não basta procurar documentos.
Precisamos entender relações.
É aqui que nasce o Graph RAG.
Graph RAG
Se o Classic RAG é um bibliotecário...
O Graph RAG é um detetive.
Ele liga pistas.
Relaciona pessoas.
Descobre conexões.
Seu coração é um:
Knowledge Graph
Imagine um mapa
Cliente
↓
Conta
↓
Cartão
↓
Compra
↓
Loja
↓
Cidade
↓
Fornecedor
Tudo conectado.
Agora pergunte:
Quais clientes compraram em empresas ligadas ao mesmo fornecedor investigado?
Isso seria extremamente difícil para um banco vetorial.
Mas extremamente simples para um grafo.
O mundo é um grafo
Curiosidade.
Grande parte da natureza pode ser representada como grafos.
Redes sociais.
Internet.
GPS.
Proteínas.
Neurônios.
Árvores genealógicas.
Dependências de software.
E...
Mainframe.
Sim...
O IBM Z também é um enorme grafo.
Veja só.
Programa COBOL
↓
COPYBOOK
↓
DB2
↓
Tabela
↓
Index
↓
Storage Group
↓
Volume
↓
Disk
Ou então...
Job
↓
PROC
↓
Program
↓
VSAM
↓
CICS
↓
MQ
↓
API
Tudo possui dependências.
Isso é um grafo.
Impact Analysis
Imagine alterar uma tabela Db2.
O gerente pergunta:
O que será impactado?
O Graph RAG consegue navegar pelo conhecimento.
Encontrando:
programas
jobs
APIs
telas
relatórios
batch
online
Tudo conectado.
Compliance
Outro exemplo fantástico.
Pergunta:
Quais funcionários tiveram acesso aos dados do cliente durante a auditoria?
Agora entram:
usuário
grupo RACF
dataset
aplicação
horário
operação
Tudo relacionado.
É praticamente impossível responder apenas com similaridade vetorial.
Fraudes
Os maiores bancos do mundo utilizam grafos.
Imagine:
Pessoa A
↓
Empresa B
↓
Conta C
↓
PIX D
↓
Fornecedor E
↓
Pessoa F
O sistema começa a encontrar padrões invisíveis.
Agentic RAG
Agora chegamos ao nível "SysProg Jedi".
O Agentic RAG não apenas consulta informação.
Ele pensa.
Planeja.
Decide.
Executa.
Reavalia.
O agente
Imagine um analista extremamente experiente.
Você pergunta:
Existe risco em instalar este PTF?
Ele não responde imediatamente.
Primeiro ele pensa.
Depois consulta:
APAR
HOLDDATA
SMP/E
Inventário
CMDB
Tickets
Mudanças
IBM Docs
Só então responde.
É exatamente isso que um agente faz.
O ciclo de raciocínio
Objetivo
↓
Planejamento
↓
Ferramentas
↓
Busca
↓
Análise
↓
Autoavaliação
↓
Nova busca
↓
Resposta
Observe algo importante.
Existe um ciclo.
Ele pode voltar.
Pesquisar novamente.
Corrigir.
Melhorar.
Isso aproxima muito mais o comportamento humano.
MCP entra em cena
É aqui que o MCP (Model Context Protocol) começa a fazer sentido.
O agente não conversa apenas com documentos.
Ele conversa com ferramentas.
Imagine:
Pergunta.
↓
MCP.
↓
GitHub.
↓
Jira.
↓
Confluence.
↓
SQL.
↓
Elastic.
↓
IBM Z.
↓
Prometheus.
↓
Grafana.
↓
ServiceNow.
↓
Resposta consolidada.
Agora estamos falando de IA empresarial.
Um exemplo Bellacosa Mainframe
Imagine perguntar:
Existe risco em alterar este programa COBOL?
Um Agentic RAG poderia:
✔ localizar o código COBOL
✔ descobrir quais COPYBOOKS utiliza
✔ localizar os Jobs
✔ consultar Db2
✔ analisar dependências MQ
✔ consultar APIs z/OS Connect
✔ verificar tickets relacionados
✔ consultar documentação IBM
✔ montar um relatório
✔ sugerir um plano de rollback
Isso não é mais um chatbot.
É praticamente um arquiteto de software trabalhando para você.
Então devemos usar Agentic RAG em tudo?
Não.
Esse é justamente o maior erro do mercado.
Muitos acreditam que arquitetura mais sofisticada significa melhor arquitetura.
Nunca significou.
No Mainframe aprendemos isso há décadas.
Você não instala um Parallel Sysplex para rodar um programa COBOL de folha de pagamento com dez usuários.
Você não cria um Data Sharing Group para um sistema departamental.
Da mesma forma...
Você não cria um Agentic RAG para responder:
Qual é o telefone do RH?
Como escolher?
Pense assim.
Preciso apenas encontrar documentos?
Classic RAG.
Preciso entender relações?
Graph RAG.
Preciso tomar decisões?
Agentic RAG.
Uma analogia divertida
Imagine três funcionários.
Classic RAG
O bibliotecário.
Ele encontra qualquer livro.
Muito rapidamente.
Graph RAG
O investigador.
Ele liga pessoas.
Eventos.
Objetos.
Documentos.
Agentic RAG
O gerente de projetos.
Ele:
faz reuniões
consulta especialistas
cria plano
delega tarefas
revisa resultados
entrega solução
A tendência para 2026 e além
As empresas mais maduras dificilmente escolherão apenas uma dessas arquiteturas.
Elas combinarão todas.
Imagine a seguinte arquitetura:
Usuário
│
▼
Agente Inteligente
│
┌─────────────┼──────────────┐
▼ ▼ ▼
Classic RAG Graph RAG Ferramentas
│ │ │
Vetores Knowledge Graph APIs / MCP
│ │ │
└─────────────┼──────────────┘
▼
Resposta
Essa abordagem híbrida oferece o melhor dos três mundos: velocidade na recuperação documental, compreensão profunda das relações entre entidades e capacidade de planejamento e execução.
Dicas para quem está começando
Se você é programador júnior, não tente aprender tudo ao mesmo tempo.
Uma trilha prática seria:
Entenda muito bem como funcionam embeddings e bancos vetoriais.
Aprenda a criar um Classic RAG simples usando Python e uma base de documentos.
Estude modelagem de grafos com ferramentas como Neo4j e compreenda conceitos de Knowledge Graph.
Explore frameworks para agentes, como LangGraph, AutoGen ou CrewAI, entendendo como eles planejam tarefas e usam ferramentas.
Aprenda sobre MCP (Model Context Protocol) para conectar agentes a APIs, bancos de dados e sistemas corporativos.
Desenvolva pensamento arquitetural: a tecnologia deve servir ao problema, nunca o contrário.
Curiosidades
☕ Você sabia? O conceito de grafos remonta ao século XVIII, quando Leonhard Euler resolveu o famoso problema das Pontes de Königsberg, considerado o nascimento da Teoria dos Grafos. Hoje, essa mesma matemática ajuda IAs a descobrir fraudes financeiras e mapear dependências de aplicações.
☕ Outra curiosidade: muitos bancos vetoriais utilizam algoritmos de Approximate Nearest Neighbor (ANN). Eles não procuram a resposta perfeita; procuram a resposta boa o suficiente em uma fração do tempo. É um compromisso inteligente entre precisão e desempenho.
☕ No Mainframe também existe "RAG" sem percebermos. Quando um operador consulta procedimentos operacionais, manuais de recuperação, runbooks e documentação antes de executar uma ação, ele está fazendo um processo muito parecido com Retrieval-Augmented Generation — só que usando inteligência humana.
Easter Eggs Bellacosa Mainframe 🥚
🔎 Easter Egg #1: O fluxo "Pergunta → Busca → Resposta" lembra bastante o caminho de um comando TSO: você envia uma solicitação, o sistema localiza os recursos necessários e devolve o resultado. A tecnologia muda, o padrão permanece.
🔎 Easter Egg #2: Um Knowledge Graph de um ambiente IBM Z pode representar milhares de relacionamentos: programas COBOL, COPYBOOKs, transações CICS, tabelas Db2, filas MQ, JCLs, datasets VSAM, grupos RACF, APIs via z/OS Connect e pipelines DevOps. É praticamente um "mapa do reino" do Mainframe.
🔎 Easter Egg #3: Se você entendeu conceitos como dependência de programas, impact analysis, catálogo Db2, RACF, SMP/E e CMDB, já possui uma excelente base mental para compreender Graph RAG e Agentic RAG. A IA moderna reutiliza muitos princípios que arquitetos de Mainframe praticam há décadas.
🔎 Easter Egg #4: Em um futuro próximo, um agente poderá analisar um dump ABEND, consultar automaticamente a documentação IBM, pesquisar APARs, verificar o histórico de mudanças e sugerir a correção antes mesmo que um especialista abra o incidente. Parece ficção científica, mas diversas organizações já caminham nessa direção.
Conclusão
Durante muito tempo perguntávamos:
"Qual é a melhor arquitetura RAG?"
Hoje sabemos que essa é a pergunta errada.
A pergunta correta é:
"Qual arquitetura resolve este problema de negócio com simplicidade, eficiência e governança?"
O Classic RAG continua sendo a escolha ideal para a maioria das aplicações de recuperação de conhecimento. O Graph RAG acrescenta inteligência ao revelar conexões ocultas entre pessoas, sistemas e eventos. Já o Agentic RAG amplia o horizonte ao incorporar planejamento, raciocínio, uso de ferramentas e execução de fluxos complexos.
No universo Bellacosa Mainframe, essa evolução soa familiar. Há décadas aprendemos que arquiteturas robustas não nascem do modismo, mas de princípios sólidos, boas práticas e profundo entendimento do problema. Assim como um bom arquiteto IBM Z escolhe cuidadosamente entre Batch, CICS, MQ, Db2, VSAM ou z/OS Connect, o engenheiro de IA moderno deve selecionar entre Classic RAG, Graph RAG e Agentic RAG conforme a necessidade do negócio.
Porque, no fim das contas, a maior inovação não está em usar a tecnologia mais sofisticada.
Está em construir a solução certa, para o problema certo, no momento certo.
E esse, meu amigo, continua sendo o verdadeiro espírito da engenharia de software.
