خلال العام الماضي، أصبحت معماريات استرجاع الذكاء الاصطناعي موضوعاً ساخناً في تقارير المحللين والمدونات التقنية. قمت ببناء أربعة نهج مختلفة على جهاز محمول لفهم ما إذا كان إضافة رسم معرفي يحسن جودة الإجابات بشكل جوهري. كان مجموعة البيانات صغيرة عمداً، وتتألف من مقالتين منشورتين مؤخراً من Anthropic حول أمان الذكاء الاصطناعي ومجموعة من أسئلة التقييم. لم يكن هدفي تحديد معمارية متفوقة عالمياً، بل فهم كيف تتصرف مناهج الاسترجاع المختلفة مع نفس المعلومات.

للحفاظ على مقارنة عادلة، استخدمت نموذج لغة Phi-4 من Microsoft (14 مليار معلمة) لتوليد الإجابات، وتشغيله محلياً على Thinkpad عبر Ollama. نموذج التضمين all-Mini LM-L6-v2 دعم البحث الدلالي. لتخزين واستعلامات الرسم المعرفي، استخدمت Neo4j لإدارة الكيانات والعلاقات المستخلصة من المواد المصدر. نهج النموذج المتقدم باستخدام Claude Haiku 4.5 قدم مقارنة إضافية.

كانت النتيجة واضحة: أنتج النموذج المتقدم أقوى الإجابات بشكل عام. ومع ذلك، تفوق Graph RAG باستمرار على RAG التقليدي في أنواع معينة من الأسئلة. أبرزت النتائج أن قيمة الرسم تعتمد بشكل كبير على المشكلة المحددة التي يتم حلها. توفر هذه التجربة رؤى عملية حول متى تكون تعقيد Graph RAG الإضافي مبرراً ومتى قد تكفي المناهج التقليدية.

الكيانات الرئيسية: الشركات: Microsoft، Neo4j، Anthropic، Ollama