Google Cloud lança em preview enriquecimento de contexto com autoaprendizado no Knowledge Catalog

O Knowledge Catalog é o context engine do Google Cloud para agentes. O novo enrichment com autoaprendizado, em preview, analisa traces de interações de agentes e usuários e procura falhas típicas: busca ambígua de colunas, métricas sem ancoragem, definições ausentes e usuários reformulando a mesma pergunta. Achada a lacuna, o recurso localiza a resposta autoritativa e prepara a correção, para que o erro não se repita.

O controle de publicação fica com o time de dados. Dá para ligar ou desligar o auto-publishing e definir o confidence score a partir do qual a mudança é aprovada sozinha (o exemplo do Google é 85%). Abaixo do limite, e em atualizações sensíveis como exclusões, vira um Change Request para o steward aprovar, editar ou rejeitar. Cada mudança é registrada com proveniência completa e pode ser revertida. Também é possível usar um conjunto próprio de avaliação para testar as propostas. O Google diz que não usa os dados dos clientes para treinar seus modelos.

Outro pilar são os context sets, subconjuntos governados do context graph por domínio, time, agente ou grupo de usuários. Cada um tem acesso controlado por IAM, e como "receita líquida" pode significar coisas diferentes para vendas e finanças, cada domínio mantém suas definições no mesmo catálogo. Os sets se baseiam no Open Knowledge Format (OKF), com importação e exportação de bundles. Os números de precisão (quase 4X), latência (até 33% menor) e tokens (até 75% menos) vêm de benchmarks internos do Google. Os recursos do Knowledge Studio serão liberados aos clientes nas próximas semanas.

Em 17 de junho de 2026, o CEVIU noticiou "Google lança formato aberto de conhecimento para IA e integra ao Knowledge Catalog", sobre a especificação do Open Knowledge Format. Agora o OKF aparece como base dos context sets: dá para importar um bundle OKF como context set e exportá-lo de volta. O Knowledge Catalog, que antes recebia o formato aberto, passa a ter um ciclo de enrichment que mantém esse contexto atualizado a partir de interações.

Para quem opera dados e agentes, a leitura é que a curadoria de contexto deixa de ser tarefa de escrita e vira tarefa de revisão. O trabalho do steward se desloca para definir limites de confiança, olhar diffs e tratar conflitos. Vale testar o limiar de auto-publishing com cuidado e usar o conjunto de avaliação próprio, já que os ganhos citados são de benchmarks internos.