Durante el último año, las arquitecturas de recuperación de IA se han convertido en un tema candente en informes de analistas y blogs técnicos. Construí cuatro enfoques diferentes en un portátil para entender si agregar un grafo de conocimiento mejora materialmente la calidad de las respuestas. El conjunto de datos fue deliberadamente pequeño, consistiendo en dos artículos publicados recientemente por Anthropic sobre Seguridad de IA y un conjunto de preguntas de evaluación. Mi objetivo no era identificar una arquitectura universalmente superior, sino comprender cómo se comportan diferentes enfoques de recuperación con la misma información.

Para mantener la comparación justa, utilicé el modelo de lenguaje Phi-4 de Microsoft (14 mil millones de parámetros) para la generación de respuestas, ejecutándolo localmente en un Thinkpad a través de Ollama. El modelo de incrustación all-Mini LM-L6-v2 impulsó la búsqueda semántica. Para el almacenamiento y consultas del grafo de conocimiento, usé Neo4j para gestionar entidades y relaciones extraídas del material de origen. Un enfoque de modelo frontera usando Claude Haiku 4.5 proporcionó una comparación adicional.

El resultado fue claro: el modelo frontera produjo las respuestas más fuertes en general. Sin embargo, Graph RAG superó consistentemente al RAG tradicional en ciertos tipos de preguntas. Los resultados destacaron que el valor de un grafo depende en gran medida del problema específico que se resuelve. Este experimento proporciona insights prácticos sobre cuándo la complejidad adicional de Graph RAG está justificada y cuándo los enfoques tradicionales pueden ser suficientes.

Entidades Clave: Empresas: Microsoft, Neo4j, Anthropic, Ollama