この1年間、AI検索アーキテクチャはアナリストレポートや技術ブログでホットなトピックになってきました。私はラップトップ上で4つの異なるアプローチを構築し、ナレッジグラフの追加が回答品質を実質的に向上させるかどうかを理解しようとしました。データセットは意図的に小さく、最近公開されたAnthropicのAIセキュリティに関する2つの記事と評価質問のセットで構成されていました。私の目的は普遍的に優れたアーキテクチャを特定することではなく、同じ情報に対して異なる検索アプローチがどう振る舞うかを理解することでした。

比較を公平に保つため、回答生成にはMicrosoftのPhi-4言語モデル（140億パラメータ）を使用し、Ollamaを通じてThinkpad上でローカルに実行しました。all-Mini LM-L6-v2埋め込みモデルがセマンティック検索を支えました。ナレッジグラフのストレージとクエリには、ソース資料から抽出されたエンティティと関係を管理するためにNeo4jを使用しました。Claude Haiku 4.5を使用するフロンティアモデルアプローチが追加の比較を提供しました。

結果は明確でした：フロンティアモデルが全体として最も強力な回答を生成しました。しかし、Graph RAGは特定の質問タイプにおいて従来のRAGを一貫して上回りました。結果は、グラフの価値が解決すべき具体的な問題に大きく依存することを浮き彫りにしました。この実験は、Graph RAGの追加の複雑さが正当化されるのはいつか、従来のアプローチで十分なのはいつかについて、実践的な洞察を提供します。

主要エンティティ：企業：Microsoft、Neo4j、Anthropic、Ollama