Au cours de la dernière année, les architectures de récupération d'IA sont devenues un sujet brûlant dans les rapports d'analystes et les blogs techniques. J'ai construit quatre approches différentes sur un ordinateur portable pour comprendre si l'ajout d'un graphe de connaissances améliore matériellement la qualité des réponses. L'ensemble de données était délibérément petit, composé de deux articles récemment publiés par Anthropic sur la sécurité de l'IA et d'un ensemble de questions d'évaluation. Mon objectif n'était pas d'identifier une architecture universellement supérieure, mais de comprendre comment les différentes approches de récupération se comportent avec les mêmes informations.

Pour maintenir une comparaison équitable, j'ai utilisé le modèle de langage Phi-4 de Microsoft (14 milliards de paramètres) pour la génération de réponses, l'exécutant localement sur un Thinkpad via Ollama. Le modèle d'embedding all-Mini LM-L6-v2 a alimenté la recherche sémantique. Pour le stockage et les requêtes du graphe de connaissances, j'ai utilisé Neo4j pour gérer les entités et relations extraites du matériel source. Une approche de modèle frontière utilisant Claude Haiku 4.5 a fourni une comparaison supplémentaire.

Le résultat était clair : le modèle frontière a produit les réponses les plus fortes dans l'ensemble. Cependant, Graph RAG a constamment surpassé le RAG traditionnel sur certains types de questions. Les résultats ont souligné que la valeur d'un graphe dépend fortement du problème spécifique à résoudre. Cette expérience fournit des informations pratiques sur les moments où la complexité supplémentaire de Graph RAG est justifiée et où les approches traditionnelles peuvent suffire.

Entités Clés : Entreprises : Microsoft, Neo4j, Anthropic, Ollama