За последний год архитектуры поиска ИИ стали горячей темой в отчетах аналитиков и технических блогах. Я создал четыре разных подхода на ноутбуке, чтобы понять, улучшает ли добавление графа знаний качество ответы существенно. Набор данных намеренно был небольшим, состоял из двух недавно опубликованных статей Anthropic об безопасности ИИ и набора оценочных вопросов. Моя цель не была в выявлении универсально превосходной архитектуры, а в понимании того, как различные подходы к поиску ведут себя с одной и той же информацией.

Для честного сравнения я использовал языковую модель Phi-4 от Microsoft (14 миллиардов параметров) для генерации ответов, запуская её локально на Thinkpad через Ollama. Модель эмбеддингов all-Mini LM-L6-v2 обеспечивала семантический поиск. Для хранения и запросов графа знаний я использовал Neo4j для управления сущностями и отношениями, извлеченными из исходного материала. Подход с фронтирной моделью с использованием Claude Haiku 4.5 предоставил дополнительное сравнение.

Результат был ясен: фронтирная модель дала самые сильные ответы в целом. Однако Graph RAG последовательно превосходил традиционный RAG на определенных типах вопросов. Результаты подчеркнули, что ценность графа во многом зависит от конкретной решаемой проблемы. Этот эксперимент дает практические инсайты о том, когда дополнительная сложность Graph RAG оправдана, а когда традиционных подходов может быть достаточно.

Ключевые сущности: Компании: Microsoft, Neo4j, Anthropic, Ollama