Right now anyone can build an AI system that answers complex questions with 18% better accuracy and 85% lower costs than regular RAG. No PhD. No million dollar budget. No team of researchers.
The only thing standing between you and that result is one concept that Microsoft, Stanford and Anthropic all independently discovered - and which most developers still haven't caught up with.
Regular RAG finds text. Graph Engineering finds relationships. Here's the full system behind it.
Aggiungi ai segnalibri e segui
- Sono Sprytix, uno sviluppatore che costruisce sistemi AI e pipeline di automazione che trasformano la tecnologia in reddito reale. DM aperti.
Perché la RAG tradizionale ha un limite
La RAG tradizionale funziona così:
1Domanda2↓3Cerca documenti per testo corrispondente4↓5Restituisci i frammenti più rilevanti6↓7Il modello genera la risposta dai frammenti
Funziona bene per domande semplici. Crolla completamente per quelle complesse.
Chiedi "perché le vendite del nostro prodotto sono calate a marzo?" e la RAG trova documenti con le parole "vendite" e "marzo". Trova frammenti. Non trova la catena di causalità.
1Risposta RAG:2Ecco 5 documenti che menzionano le vendite a marzo.34Risposta Graph Engineering:5Le vendite sono calate a causa di un ritardo nel rilascio6causato da una dipendenza da un fornitore7innescato da un problema in magazzino8che ha generato recensioni negative9che hanno ridotto la conversione del 23%.
Stesso modello. Stessi dati. Risultato completamente diverso - perché un sistema cerca il testo e l'altro cerca la realtà.
Questo è ciò che Microsoft, Stanford e Anthropic hanno scoperto indipendentemente. Ed è il motivo per cui tutti e tre sono passati a Graph Engineering.
Documento 1 - Microsoft GraphRAG
Microsoft ha costruito GraphRAG e lo ha reso open-source. I risultati della loro ricerca sono i numeri più concreti disponibili su ciò che Graph Engineering offre effettivamente rispetto alla RAG tradizionale.
L'architettura converte il testo non strutturato in un grafo di conoscenza completo:
1Carica Documenti2↓3Frammenta Documenti4↓5Estrai Entità e Relazioni6↓7Costruisci Grafo8↓9Rileva Comunità10↓11Genera Report di Comunità12↓13Incorpora Entità e Report14↓15Ricerca Locale / Ricerca Globale
L'intuizione chiave documentata da Microsoft: la RAG tradizionale risponde bene a domande locali - trovami informazioni su questa specifica entità. Fallisce sulle domande globali - quali sono i temi principali in questo intero set di dati, quali pattern collegano questi 10.000 documenti.
Graph Engineering risponde a entrambe.
1Ricerca Locale | cosa è successo con il fornitore X a marzo2 | trova il nodo specifico e le sue connessioni34Ricerca Globale | quali sono i principali pattern di rischio in5 | tutte le nostre relazioni con i fornitori6 | trova pattern attraverso l'intero grafo
Risultati pratici dalla ricerca GraphRAG di Microsoft:
1Miglioramento accuratezza | 18% superiore all'approccio documentale grezzo2Riduzione costo token | 85% inferiore rispetto al caricamento diretto di file strutturati3Costo per attività | circa $0.004 nella configurazione testata
Questi numeri provengono dal paper ChatP&ID - GraphRAG applicato a diagrammi di ingegneria industriale. Gli stessi principi si applicano in tutti i domini.
Documento 2 - Stanford DSPy e la connessione con il grafo
Il paper DSPy di Stanford ha stabilito che il modello è un nodo in un grafo - non il centro dell'universo. Questa è la base teorica che si collega direttamente a Graph Engineering.
DSPy tratta la pipeline AI come un grafo di moduli:
1Domanda2↓3Recuperatore - trova informazioni rilevanti4↓5Ragionamento - elabora e collega6↓7Verificatore - controlla il risultato8↓9Risposta
La connessione con Graph Engineering è diretta: DSPy ottimizza il grafo della pipeline, GraphRAG ottimizza il grafo di conoscenza. Entrambi trattano il modello come un componente in una struttura più ampia, non come l'intera soluzione.
Il paper STORM di Stanford va oltre:
STORM costruisce la conoscenza da zero attraverso un grafo strutturato di passaggi di ricerca prima di scrivere una singola parola. Ricerca, raccolta fonti, schema, scrittura, verifica, revisione - ogni passaggio informato dalle relazioni scoperte in quello precedente.
L'intuizione condivisa in tutta la ricerca di Stanford: i compiti complessi necessitano di un sistema di passaggi collegati, non di una singola chiamata al modello. Il grafo è il sistema.
Documento 3 - Leggi di scala di Stanford per i grafi di conoscenza
Questo paper ha confrontato 26 modelli open-source su compiti di ingegneria dei grafi di conoscenza. La conclusione è una delle più importanti nel campo:
1Modello più grande + grafo pessimo | risultati peggiori2Modello più piccolo + grafo ottimo | risultati migliori
Il grafo giusto batte il modello più grande. Sempre.
Questa è la stessa conclusione a cui sono giunti Microsoft con GraphRAG e Anthropic con Claude Code - il sistema attorno al modello determina l'output più del modello stesso. Graph Engineering è l'implementazione più concreta di questo principio.
Documento 4 - Ricerca MIT Press sulla memoria relazionale
direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476
Pubblicato in Transactions of the Association for Computational Linguistics.
La ricerca mostra cosa succede quando colleghi un modello linguistico alla memoria relazionale - un grafo di conoscenza di relazioni anziché solo frammenti di testo.
1Contesto Testuale2↓3Recupera Relazioni Rilevanti dal Grafo4↓5Memoria Relazionale6↓7Modello Linguistico8↓9Generazione più coerente e accurata
Il risultato chiave: i modelli con accesso a strutture relazionali esplicite producono testo più coerente e commettono meno errori logici rispetto ai modelli che lavorano solo con il testo.
Questa è la spiegazione scientifica del perché Graph Engineering funziona. Il modello non deve inferire le relazioni dal testo. Le relazioni sono esplicite nel grafo. Il modello le usa direttamente.
Documento 5 - KEPLER
KEPLER combina l'addestramento del modello linguistico con gli embedding del grafo di conoscenza. Invece di trattare la comprensione del linguaggio e la conoscenza fattuale come problemi separati - KEPLER ottimizza entrambi simultaneamente.
1Modello Linguistico2+3Embedding di Conoscenza4+5Grafo di Conoscenza6=7Modello che comprende sia il linguaggio che i fatti
L'implicazione pratica: un modello che ha accesso a un grafo di conoscenza correttamente strutturato non deve indovinare le relazioni tra le entità. Le cerca. La differenza di accuratezza sulle domande fattuali è significativa.
Documento 6 - Anthropic e Claude nel grafo
- www.anthropic.com/customers/graph
- github.com/anthropics/anthropic-cookbook
- github.com/modelcontextprotocol
Anthropic non ha un prodotto chiamato "Graph Engineering." Quello che hanno sono tre livelli in cui Claude si integra direttamente nell'architettura del grafo.
Livello 1 - Claude estrae il grafo dal testo
1Documenti2↓3Claude estrae entità e relazioni4↓5Triple JSON:6{7 "soggetto": "Anthropic",8 "relazione": "ha creato",9 "oggetto": "Claude"10}11↓12Grafo di Conoscenza
Claude gestisce l'estrazione di entità, l'estrazione di relazioni, la deduplicazione, la normalizzazione e la bozza dell'ontologia. I compiti che richiedevano pipeline NLP specializzate ora funzionano con una singola chiamata API.
Livello 2 - Claude interroga il grafo
1Domanda dell'Utente2↓3Claude4↓5Query Cypher / SPARQL6↓7Grafo di Conoscenza8↓9Risultato10↓11Spiegazione di Claude in linguaggio semplice
Claude traduce il linguaggio naturale in query del grafo, le esegue su Neo4j o qualsiasi database a grafo e spiega i risultati. Nessuna conoscenza del linguaggio di query richiesta all'utente.
Livello 3 - MCP collega Claude al grafo
github.com/modelcontextprotocol
1Claude2↓3Protocollo MCP4↓5Database a Grafo6↓7Entità + Relazioni8↓9Claude con contesto completo del grafo
MCP è il livello di trasporto che dà a Claude accesso permanente a qualsiasi grafo di conoscenza senza dover ricostruire la connessione per ogni sessione.
Il caso LaunchNotes - numeri di produzione reali
www.anthropic.com/customers/graph
LaunchNotes ha costruito un prodotto chiamato Graph che collega GitHub, Jira e Linear. Claude analizza le relazioni tra il lavoro di ingegneria su tutti e tre i sistemi.
1Commit GitHub2+3Ticket Jira4+5Attività Linear6↓7Grafo del Lavoro di Ingegneria8↓9Claude10↓11Rilevamento Incidenti + Approfondimenti sui Progetti
Risultati dal case study di Anthropic:
1Rilevamento incidenti | fino a 5 volte più veloce2Tempo riunioni | riduzione di circa il 50%3Note di rilascio | generate automaticamente in secondi
Questi numeri provengono dalla connessione di dati relazionali strutturati - non solo dalla ricerca nei documenti.
Cos'è realmente un grafo di conoscenza
Prima di costruirne uno - il concetto fondamentale.
Un grafo di conoscenza memorizza le informazioni come triple:
1Soggetto → Relazione → Oggetto
Esempi:
1Anthropic → ha creato → Claude2Claude → supporta → MCP3MCP → collega → strumenti esterni4Microsoft → ha costruito → GraphRAG5GraphRAG → riduce il costo dei token dell' → 85%
Ogni informazione è una relazione esplicita tra due entità. Non un paragrafo di testo che potrebbe contenere questa informazione - un fatto esplicito, strutturato e interrogabile.
1Database tradizionale:2Tabella di aziende3Tabella di prodotti4Nessuna relazione esplicita tra di loro56Grafo di conoscenza:7Azienda → ha creato → Prodotto8Prodotto → compete con → Altro Prodotto9Altro Prodotto → posseduto da → Altra Azienda10Azienda → ha investito in → Altra Azienda
Il grafo non memorizza solo fatti. Memorizza come i fatti si collegano tra loro. Questo è ciò che rende possibile il ragionamento complesso.
La pipeline completa di Graph Engineering
1Passo 1 | Raccogli documenti grezzi2 | PDF, email, report, export di database34Passo 2 | Estrai entità5 | persone, aziende, prodotti, eventi, concetti67Passo 3 | Estrai relazioni8 | chi ha fatto cosa a chi, quando, perché, come910Passo 4 | Costruisci schema11 | definisci tipi di entità e tipi di relazione1213Passo 5 | Deduplica e normalizza14 | "Microsoft Corp" e "MSFT" sono la stessa entità1516Passo 6 | Memorizza nel database a grafo17 | Neo4j, Amazon Neptune, PostgreSQL con estensione grafo1819Passo 7 | Costruisci livello di recupero20 | ricerca locale per entità specifiche21 | ricerca globale per pattern sull'intero grafo2223Passo 8 | Collega il modello24 | Claude interroga il grafo tramite MCP o API diretta2526Passo 9 | Aggiorna continuamente27 | nuovi documenti espandono il grafo28 | le contraddizioni vengono segnalate per la revisione
Il paper LLM-assisted Knowledge Graph Engineering su arxiv.org/abs/2307.06917 confronta quanto bene i modelli linguistici gestiscono ciascuno di questi passaggi. Il risultato onesto: gli LLM sono ottimi assistenti per l'estrazione e la normalizzazione, ma la generazione zero-shot del grafo non è ancora abbastanza affidabile per la produzione senza revisione umana sui passaggi dello schema e della deduplicazione.
I cinque prompt che gestiscono l'intera pipeline
Graph Engineering non elimina i prompt. Li usa in ogni fase specifica della pipeline del grafo.
Prompt 1 - Estrazione
1Estrai tutte le organizzazioni, persone, prodotti ed eventi.23Per ogni entità restituisci:4- nome_canonico5- tipo6- descrizione7- fonte89Per ogni relazione restituisci:10- entità_fonte11- tipo_relazione12- entità_destinazione13- evidenza14- punteggio_fiducia
Prompt 2 - Normalizzazione
1Confronta le seguenti entità.2Determina se si riferiscono a:3- la stessa entità4- entità correlate ma diverse5- entità non correlate67Restituisci nome canonico e spiegazione.8Non unire entità senza chiara evidenza.
Prompt 3 - Query del grafo
1Traduci la domanda dell'utente in una query Cypher.2Usa solo le relazioni presenti nello schema.3Non inventare etichette o proprietà.4Restituisci la query e una breve spiegazione della logica.
Prompt 4 - Risposta basata sui dati
1Rispondi usando solo i percorsi del grafo recuperati.2Per ogni conclusione:3- identifica i nodi di supporto4- identifica il percorso di relazione5- dichiara l'incertezza chiaramente6- non inferire causalità dalla correlazione
Prompt 5 - Manutenzione del grafo
1Confronta i nuovi fatti con il grafo esistente.2Classifica ogni fatto come:3- nuovo4- duplicato5- contraddizione6- aggiornamento7- incerto89Non sovrascrivere fatti esistenti senza evidenza.
Come mostra la documentazione di Microsoft GraphRAG - i prompt gestiscono internamente l'estrazione, l'identificazione delle relazioni, la sintesi e la generazione di report di comunità. L'ingegneria dei prompt è il meccanismo all'interno dell'ingegneria del grafo, non il suo concorrente.
Cinque attività che puoi costruire su un grafo di conoscenza
1 - Piattaforma di due diligence
1Report aziendali + fondatori + investitori2+ casi legali + filiali + transazioni3↓4Grafo di Conoscenza5↓6Claude7↓8Analisi dei rischi + connessioni nascoste + rilevamento conflitti di interesse
Clienti: fondi di investimento, studi legali, banche, consulenti M&A. Canone mensile $2.000-10.000 per cliente.
2 - Intelligence commerciale
1Contatti + aziende + ruoli2+ email precedenti + problemi aziendali + prodotto3↓4Grafo di Conoscenza5↓6Chi influenza la decisione7Quali obiezioni si ripetono8Quale case study mostrare a questo specifico cliente9Dove è bloccata l'affare
3 - Intelligence ingegneristica
1Commit GitHub + ticket Jira + attività Linear2↓3Grafo del Lavoro di Ingegneria4↓5Rilevamento incidenti 5x più veloce650% in meno di tempo in riunioni7Note di rilascio automatiche
LaunchNotes vende già questo. Il mercato è ogni team di ingegneria che usa più di uno strumento di project management.
4 - Intelligence di ricerca
1Paper + autori + istituzioni2+ metodi + dataset + risultati + contraddizioni3↓4Grafo di Conoscenza5↓6Quali metodi GraphRAG usano il rilevamento di comunità7Su quali dataset sono stati testati8Quali paper si contraddicono a vicenda
5 - Sistema operativo di conoscenza personale
1Note Obsidian + email + calendario2+ PDF + contatti + attività3↓4Grafo di Conoscenza Personale5↓6Con chi ho discusso questa idea7Quali attività dipendono dalla risposta di una persona8Quali decisioni contraddicono accordi precedenti9Cosa ho promesso di fare questo mese
Il cambiamento che collega Microsoft, Stanford e Anthropic
1Prompt Engineering | come porre la domanda giusta2RAG | quale documento trovare3Graph Engineering | quali entità esistono4 | come si collegano5 | quale percorso porta alla risposta6 | cosa cambia se un nodo cambia
L'LLM conosce le parole. Il grafo di conoscenza conosce le relazioni. I sistemi AI più potenti emergono quando entrambi lavorano insieme.
Microsoft lo ha dimostrato in produzione con GraphRAG - 18% di accuratezza in più, 85% di costi in meno. Stanford lo ha dimostrato nella ricerca con DSPy, STORM e il paper sulle leggi di scala. Anthropic lo ha dimostrato nel caso LaunchNotes - rilevamento incidenti 5x più veloce, 50% in meno di tempo in riunioni.
Tre organizzazioni. Tre percorsi indipendenti. Una conclusione.
Il modello trova il testo. Il grafo trova la realtà. Costruisci il grafo.
La maggior parte degli sviluppatori continuerà a migliorare i propri prompt e si chiederà perché le domande complesse danno ancora risposte scadenti. Alcuni passeranno un fine settimana a costruire il loro primo grafo di conoscenza e non torneranno mai più a cercare nei documenti.
/ Se questo è stato utile - segui, il prossimo esce qui per primo.
