No último ano, as arquiteturas de recuperação de IA tornaram-se um tópico quente em relatórios de analistas e blogs técnicos. Construí quatro abordagens diferentes em um laptop para entender se adicionar um grafo de conhecimento melhora materialmente a qualidade das respostas. O conjunto de dados foi deliberadamente pequeno, consistindo em dois artigos publicados recentemente pela Anthropic sobre Segurança de IA e um conjunto de perguntas de avaliação. Meu objetivo não era identificar uma arquitetura universalmente superior, mas entender como diferentes abordagens de recuperação se comportam com as mesmas informações.

Para manter a comparação justa, usei o modelo de linguagem Phi-4 da Microsoft (14 bilhões de parâmetros) para geração de respostas, executando-o localmente em um Thinkpad através do Ollama. O modelo de embedding all-Mini LM-L6-v2 alimentou a busca semântica. Para armazenamento e consultas do grafo de conhecimento, usei o Neo4j para gerenciar entidades e relacionamentos extraídos do material de origem. Uma abordagem de modelo fronteira usando Claude Haiku 4.5 forneceu comparação adicional.

O resultado foi claro: o modelo fronteira produziu as respostas mais fortes no geral. No entanto, o Graph RAG superou consistentemente o RAG tradicional em certos tipos de perguntas. Os resultados destacaram que o valor de um grafo depende fortemente do problema específico que está sendo resolvido. Este experimento fornece insights práticos sobre quando a complexidade adicional do Graph RAG é justificada e quando abordagens tradicionais podem ser suficientes.

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