पिछले एक साल में, AI पुनर्प्राप्ति आर्किटेक्चर विश्लेषक रिपोर्ट और तकनीकी ब्लॉग में एक गर्म विषय बन गए हैं। मैंने एक लैपटॉप पर चार अलग-अलग दृष्टिकोण बनाए ताकि यह समझ सकूं कि क्या नॉलेज ग्राफ जोड़ने से उत्तर की गुणवत्ता में वास्तविक सुधार होता है। डेटासेट जानबूझकर छोटा था, जिसमें AI सुरक्षा पर हाल ही में प्रकाशित दो Anthropic लेख और मूल्यांकन प्रश्नों का एक सेट शामिल था। मेरा लक्ष्य सार्वभौमिक रूप से श्रेष्ठ आर्किटेक्चर की पहचान करना नहीं था, बल्कि यह समझना था कि समान जानकारी के साथ विभिन्न पुनर्प्राप्ति दृष्टिकोण कैसे व्यवहार करते हैं।

तुलना को निष्पक्ष रखने के लिए, मैंने उत्तर उत्पन्न करने के लिए Microsoft के Phi-4 भाषा मॉडल (14 बिलियन पैरामीटर्स) का उपयोग किया, जिसे Ollama के माध्यम से Thinkpad पर स्थानीय रूप से चलाया गया। ऑल-मिनी LM-L6-v2 एम्बेडिंग मॉडल ने सिमेंटिक खोज को संचालित किया। नॉलेज ग्राफ स्टोरेज और क्वेरी के लिए, मैंने स्रोत सामग्री से निकाली गई संस्थाओं और संबंधों को प्रबंधित करने के लिए Neo4j का उपयोग किया। Claude Haiku 4.5 का उपयोग करने वाले एक फ्रंटियर मॉडल दृष्टिकोण ने अतिरिक्त तुलना प्रदान की।

परिणाम स्पष्ट था: फ्रंटियर मॉडल ने समग्र रूप से सबसे मजबूत उत्तर उत्पन्न किए। हालांकि, Graph RAG कुछ प्रश्न प्रकारों पर लगातार पारंपरिक RAG से बेहतर प्रदर्शन करता रहा। परिणामों ने इस बात पर प्रकाश डाला कि ग्राफ का मूल्य हल की जा रही विशिष्ट समस्या पर बहुत अधिक निर्भर करता है। यह प्रयोग इस बात में व्यावहारिक अंतर्दृष्टि प्रदान करता है कि Graph RAG की अतिरिक्त जटिलता कब उचित है और कब पारंपरिक दृष्टिकोण पर्याप्त हो सकते हैं।

मुख्य संस्थाएं: कंपनियां: Microsoft, Neo4j, Anthropic, Ollama