Conhecimento da empresa para agentes de IA: uma fonte, todos os agentes

O conhecimento da empresa para agentes de IA é um conjunto pesquisável de decisões, procedimentos e factos que permite aos agentes responder a partir do que a sua empresa sabe de facto. A sua empresa já tem um cérebro. Só não está escrito. O trabalho não é comprar um chatbot para cada ferramenta. O trabalho é escrever esse conhecimento num só lugar e deixar que todos os agentes o consultem da mesma forma. No fim, conhece as quatro partes e tem as primeiras entradas escritas. Os passos 1 e 2 levam uma tarde.

O que é o conhecimento da empresa para agentes de IA

Uma base de conhecimento fechada dentro de uma ferramenta de chat é o próximo silo. O padrão tem quatro partes, nenhuma presa a um fornecedor:

Este guia faz parte de Loops We Run. O guia principal, como gerimos a nossa empresa com agentes de IA, mostra o resto.

O conhecimento vive num só lugar, um pipeline mantém o índice atualizado e todos os agentes lhe chegam através de um único servidor MCP.

Não treina um modelo

«Treinar a IA com os nossos dados» é a imagem errada. Um bom agente consulta antes de responder, como um novo colaborador com o dossiê aberto. Essa consulta chama-se recuperação: o agente envia a pergunta para uma ferramenta de pesquisa, lê os excertos que voltam e responde a partir deles, com a fonte. Nada é retreinado. Para mudar uma resposta, mude a entrada.

Conheça a Larchmoor Cycles, a loja inventada dos nossos exemplos

Todos os exemplos usam a Larchmoor Cycles, uma loja de bicicletas fictícia com oficina de reparações e aluguer.

Passo 1: Escolha uma área e liste as perguntas a que tem de responder

Comece pelas perguntas que as pessoas já fazem. Uma base de conhecimento construída a partir de um inventário de documentos responde a perguntas que ninguém faz. Escolha uma área e anote as perguntas deste mês sobre ela, de clientes e da equipa, com as palavras deles.

A Larchmoor escolhe o aluguer e as devoluções. A lista da Maren:

1. Posso devolver um capacete que experimentei na loja?
2. Qual é a caução de uma bicicleta de aluguer?
3. O que acontece se devolver uma bicicleta de aluguer danificada?
4. Posso receber um reembolso em vez de um vale de compra?
5. Quanto tempo demora uma reparação de travões?
6. Estão abertos ao domingo?

Guarde a lista: é o teste do passo 6.

Passo 2: Ponha o que a sua empresa sabe num só lugar

Escreva no momento em que acontece, um facto por entrada, ou nunca chega a ser escrito. Hoje, o que a Larchmoor sabe vive na cabeça da Maren, na caixa de correio dela e em três documentos antigos.

Um só lugar guarda dois tipos de conteúdo e, juntos, formam a base de conhecimento da sua empresa para agentes de IA. A documentação cobre os procedimentos, as políticas e os preços que já escreve: returns-policy, rentals, repair-prices, opening-hours. As entradas registadas guardam as decisões, os procedimentos e os factos que as pessoas aprendem enquanto trabalham. Cada entrada tem um título, o facto, a razão por que é válido, um responsável, a data da última verificação, um âmbito e, quando expira, uma data de validade.

title:  Rental deposit is 100 per bike
fact:   Every rental bike takes a 100 deposit, refunded when it comes back undamaged.
why:    Chose 100 over 50 because a bent wheel costs about 100 to replace.
owner:  Maren
scope:  public

Cada entrada guarda um facto que um agente consegue usar sozinho, com o seu âmbito e, quando expira, uma data.

Para uma revisão completa dos dados, leia prontidão dos dados para IA. Para memória entre sessões de programação, veja porque é que o Claude Code esquece o contexto.

Quer que montemos isto com a sua equipa? Diga-nos que perguntas os seus clientes e a sua equipa fazem todas as semanas.

Passo 3: Torne-o pesquisável pelo significado

Os clientes nunca usam as suas palavras, por isso a pesquisa só por palavras falha-lhes.

Dividimos cada documento em excertos de cerca de 8.000 caracteres, cortados no fim de uma frase, com 200 caracteres partilhados entre vizinhos. Um excerto de 8.000 caracteres é grande o suficiente para conter uma regra inteira com a sua exceção. A sobreposição de 200 evita que uma frase fique cortada a meio. Cada excerto é guardado com a sua fonte, o título e a data da última atualização, e convertido num embedding.

Um embedding é uma lista de números que capta o significado de um excerto. Dois textos que querem dizer o mesmo recebem números semelhantes, mesmo sem nenhuma palavra em comum.

A pesquisa pontua o significado e as palavras em conjunto e junta-os numa única classificação. É pesquisa semântica com correspondência de palavras ao lado. O significado encontra «Devoluções de equipamento de proteção» para um cliente que escreveu «capacete». As palavras continuam a ganhar em referências de peças, nomes e preços. Se a pesquisa pelo significado não estiver disponível, a pesquisa recorre às correspondências de palavras e assinala o resultado como degradado, para que o agente responda na mesma. Use um serviço de pesquisa que já tenha, ou qualquer índice vetorial ou híbrido.

A pergunta diz capacete e o excerto diz equipamento de proteção; mesmo assim, a pesquisa pelo significado coloca-o em primeiro lugar.

Passo 4: Mantenha o índice atualizado com um pipeline

Um índice com uma semana responde com os preços da semana passada. O pipeline importa mais do que o motor de pesquisa. Um documento longo é relido na atualização: quando é adicionado pela primeira vez ou quando alguém guarda uma nova versão e pede ao sistema que o releia. Nada o relê sozinho.

O pipeline corre com dois gatilhos:

Zero excertos escritos é uma falha, nunca «concluído». A execução indica uma causa e tenta mais uma vez. O id de cada excerto é construído a partir da sua fonte e de uma impressão digital do texto, por isso correr o pipeline duas vezes nunca cria cópias.

Passo 5: Dê a todos os agentes um único acesso: um servidor MCP

Todos os agentes se ligam através de um único servidor, e é o acesso de cada um, nunca a pergunta, que decide o que pode ver. O MCP (Model Context Protocol) é uma norma aberta que permite a um agente de IA chamar ferramentas num servidor. Um novo agente liga-se sem que seja preciso reconstruir o conhecimento para ele.

O servidor de conhecimento da Larchmoor tem uma única ferramenta só de leitura, search_knowledge, que recebe uma pergunta e um limite de resultados. Devolvemos os 5 melhores excertos por omissão: o suficiente para o agente comparar fontes, poucos o bastante para os ler por inteiro. Cada resultado traz a posição, a pontuação, o título, a fonte, a data da última atualização e um fragmento.

Cada entrada tem um campo scope, e o servidor filtra cada pesquisa pelo acesso do agente que se liga (a sua chave ou o seu início de sessão). O chat da loja vê apenas public; o Claude do Teo e o ChatGPT da Maren veem public e internal. Nenhum cliente consegue chegar às entradas internas à força de perguntas.

Qualquer agente que fale MCP liga-se com o endereço do servidor e uma chave ou um início de sessão. Uma pergunta fora do tema não devolve nada, e a instrução da Maren diz ao chat que o diga em vez de adivinhar.

Passo 6: Faça perguntas reais e siga uma execução

Teste com perguntas reais e corrija o conhecimento, nunca a resposta. Uma pergunta da lista da Maren, passo a passo:

1. Um cliente em larchmoor.example.com pergunta ao chat: «Posso devolver um capacete que experimentei na loja?»
2. O chat chama o servidor MCP. A sua chave tem o âmbito public.

search_knowledge(query="return a helmet tried on in the shop", limit=5)

3. O servidor devolve 3 excertos classificados:

O agente pergunta a uma única ferramenta MCP e recebe excertos classificados, cada um com a sua fonte, antes de escrever a resposta.

4. O chat responde a partir do excerto 1: «O equipamento de proteção não usado pode ser devolvido no prazo de 30 dias, com o talão. A política não cobre equipamento experimentado na loja, por isso passei a sua pergunta à equipa.» Fonte: Política de devoluções.
5. Isto é uma lacuna, não uma má resposta. A Maren decide e escreve uma entrada, com âmbito public: «Os capacetes experimentados na loja podem ser devolvidos no prazo de 30 dias, se não tiverem sido usados fora dela.» Porquê: os clientes experimentam tamanhos na loja.
6. A entrada é indexada ao guardar. O índice passa de 40 para 41 excertos.
7. A mesma pergunta coloca agora a entrada da Maren em primeiro lugar, e o chat responde a partir dela, com a fonte.
8. O Teo pergunta ao seu Claude, com âmbito internal: «Como montamos pneus tubeless numa bicicleta de aluguer?» A entrada do procedimento aparece em primeiro lugar. Nada foi reconstruído para o segundo agente.

Uma pergunta passa quando a resposta cita uma entrada, indica a fonte e essa entrada é o único sítio onde a regra está escrita. Faça o mesmo com todas as perguntas da sua lista do passo 1.

O que corre mal, e a regra que cada falha produziu

Todas as falhas que tivemos foram silenciosas: algo parecia indexado ou atualizado e não estava.

A lista de revisão também recebe qualquer entrada usada em 5 ou mais pesquisas e não verificada há 90 dias. Transformar falhas em regras é um ciclo próprio: construir um sistema de IA que se melhora a si próprio.

Duas entradas que se contradizem dão duas respostas; substitua a antiga, reindexe e ponha data nos factos que expiram.

Quer que construamos isto para a sua empresa?

A primeira área é a parte difícil. Depois dela, escrever entradas é um hábito. Na Neomanex construímos a base de conhecimento, o pipeline e o servidor MCP consigo, ligados aos agentes que já usa. A sua equipa continua a escrever as entradas. Diga-nos que perguntas surgem todas as semanas.