Tahun lalu, arsitektur pengambilan AI menjadi topik hangat di laporan analis dan blog teknis. Saya membangun empat pendekatan berbeda di laptop untuk memahami apakah menambahkan knowledge graph secara material meningkatkan kualitas jawaban. Dataset sengaja dibuat kecil, terdiri dari dua artikel Anthropic yang baru diterbitkan tentang Keamanan AI dan seperangkat pertanyaan evaluasi. Tujuan saya bukan mengidentifikasi arsitektur yang universal unggul, tapi memahami bagaimana pendekatan pengambilan berbeda berperilaku dengan informasi yang sama.

Untuk menjaga perbandingan adil, saya menggunakan model bahasa Phi-4 Microsoft (14 miliar parameter) untuk generasi jawaban, menjalankannya secara lokal di Thinkpad melalui Ollama. Model embedding all-Mini LM-L6-v2 mendukung pencarian semantik. Untuk penyimpanan dan kueri knowledge graph, saya menggunakan Neo4j untuk mengelola entitas dan relasi yang diekstrak dari materi sumber. Pendekatan model frontier menggunakan Claude Haiku 4.5 memberikan perbandingan tambahan.

Hasilnya jelas: model frontier menghasilkan jawaban terkuat secara keseluruhan. Namun, Graph RAG konsisten mengungguli RAG tradisional pada tipe pertanyaan tertentu. Hasil menyoroti bahwa nilai graph sangat bergantung pada masalah spesifik yang diselesaikan. Eksperimen ini memberikan wawasan praktis kapan kompleksitas tambahan Graph RAG dibenarkan dan kapan pendekatan tradisional sudah memadai.

Entitas Kunci: Perusahaan: Microsoft, Neo4j, Anthropic, Ollama