O pipeline dos agentes temporais assenta numa lógica simples.
Segmentar os dados de entrada
Comece por um documento (como a transcrição de uma reunião do conselho de administração ou um relatório anual). Divida-o em partes fáceis de gerir (como intervenções de oradores ou parágrafos).
Extrair afirmações
De cada segmento, extraia afirmações claras e autónomas, como: «A empresa X é líder de mercado.»
Classificar o tipo
Facto (verdade objetiva)
Opinião (subjetiva)
Previsão (projeção ou estimativa)
Estática (verdadeira num dado momento)
Dinâmica (pode mudar ao longo do tempo)
Atemporal (facto que não depende do tempo)
Compreender a dimensão temporal
O agente deteta quando a afirmação se tornou verdadeira e, se necessário, quando deixou de o ser (ou seja, quando foi invalidada). Isto diz respeito à validade da informação contida na afirmação, que pode diferir do momento em que esta foi feita ou publicada.
Verificar contradições (invalidação)
Se uma nova afirmação contradisser uma anterior, a entrada mais antiga é marcada como expirada e associada à nova, em vez de a informação invalidada ser totalmente removida da base de conhecimento.
Este processo é automatizado e rastreável, pelo que pode sempre aprofundar a análise para perceber o que mudou e porquê.
A boa notícia? Não precisa de reformular todo o seu sistema. Muitas vezes, os agentes temporais podem ser integrados diretamente na arquitetura RAG ou no pipeline de conhecimento que já utiliza.
Componentes principais:
Segmentação semântica: divida o texto em bruto em partes com significado.
Extração de factos com LLM: utilize LLM para identificar factos, detetar datas e classificar tipos de eventos.
Classificação temporal: utilize LLM para classificar temporalmente as afirmações e determinar os respetivos períodos de validade.
Lógica de invalidação temporal: os novos factos podem atualizar ou fazer expirar automaticamente os anteriores, sem controlo manual de versões.
Armazenamento baseado em triplos: ao utilizar grafos de conhecimento ou uma base de dados de grafos, cada facto é guardado como: [Sujeito]—[Ação]—[Objeto] + [Data de início, Data de fim].
Com a configuração certa, até as equipas pequenas podem passar do protótipo à produção em poucas semanas. Pode criar o protótipo com os modelos maiores (GPT-4.1) e, quando estiver estável, passar para versões mais rápidas (GPT-4.1-mini ou nano). Para uma análise técnica mais aprofundada, consulte o guia do OpenAI Cookbook sobre agentes temporais com grafos de conhecimento.
Já tem o seu grafo de conhecimento com consciência temporal preparado e pode confiar nos dados que contém. Como pode transformar esta base de dados sólida em valor para a empresa?
Recuperar a informação pretendida em grandes bases de conhecimento pode ser difícil. Os agentes de recuperação em várias etapas podem ajudar. Estes sistemas conseguem percorrer a base de conhecimento de forma inteligente, através de várias consultas interligadas, para encontrar a informação mais relevante para responder à sua questão.
À medida que o sistema cresce, é essencial manter a eficiência e otimizar o desempenho. A incorporação de planeadores pode simplificar a recuperação, ajudando a concentrar as fases posteriores do pipeline de recuperação no que é importante. Aperfeiçoar as ferramentas de pesquisa e análise a que o sistema central tem acesso também pode trazer ganhos, permitindo fazer consultas mais complexas a grandes grafos de conhecimento sem perder velocidade nem qualidade.
Em implementações de elevado volume, paralelizar a exploração dos grafos, colocar em cache os percursos de consulta mais frequentes e melhorar o desempenho através do aperfeiçoamento dos prompts e de fine-tuning pode aumentar significativamente o rendimento.
Para quem está a criar um agente temporal, disponibilizámos em código aberto um guia técnico completo no OpenAI Cookbook sobre agentes temporais com grafos de conhecimento. Abrange desde a lógica de extração ao raciocínio em vários passos, incluindo:
Código completo e esquemas dos pipelines
Orientações sobre modelos e estratégias de avaliação
Boas práticas para passar do protótipo à produção em escala
Os agentes temporais transformam a forma como a IA compreende o seu mundo: não como um conjunto de factos estáticos, mas como uma narrativa viva e em constante evolução.
Quando as suas decisões dependem de quando algo aconteceu — e não apenas do que aconteceu — é altura de pensar na dimensão temporal.
E não tem de o fazer sem ajuda. Se pretende tornar os seus sistemas mais conscientes do contexto, mais preparados para apoiar decisões ou simplesmente mais alinhados com a realidade, teremos todo o gosto em ajudar.