Microsoft, Stanford ve Anthropic'te RAG'in yerini Graph Engineering aldı. İşte çalışma mantığı.

Şu anda herkes, karmaşık soruları normal RAG'dan %18 daha iyi doğrulukla ve %85 daha düşük maliyetle yanıtlayan bir yapay zeka sistemi kurabilir. Doktora gerek yok. Milyon dolarlık bütçe gerek yok. Araştırmacı ekibi gerek yok.

Sizi bu sonuçtan ayıran tek şey, Microsoft, Stanford ve Anthropic'in bağımsız olarak keşfettiği - ve çoğu geliştiricinin henüz yetişemediği - tek bir kavramdır.

Normal RAG metin bulur. Graph Engineering ilişkileri bulur. İşte bunun arkasındaki tam sistem.

Bunu Kaydedin ve Takip Edin

- Ben Sprytix, yapay zeka sistemleri ve teknolojiyi gerçek gelire dönüştüren otomasyon hatları kuran bir geliştiriciyim. DM'ler açık.

Normal RAG neden bir sınıra takılır

Normal RAG şu şekilde çalışır:

1Soru
2↓
3Eşleşen metin için belgeleri tara
4↓
5En alakalı parçaları döndür
6↓
7Model, parçalardan cevap oluşturur

Bu, basit sorular için iyi çalışır. Karmaşık sorular için tamamen çöker.

"Mart ayında ürün satışlarımız neden düştü?" diye sorduğunuzda, RAG "satış" ve "Mart" kelimelerini içeren belgeleri bulur. Parçalar bulur. Nedensellik zincirini bulamaz.

1RAG cevabı:
2İşte Mart ayındaki satışlardan bahseden 5 belge.
3
4Graph Engineering cevabı:
5Satışlar, bir tedarikçi bağımlılığı nedeniyle
6bir depo sorununun tetiklediği
7bir çıkış gecikmesi yüzünden düştü,
8bu da olumsuz yorumlara yol açtı
9ve dönüşüm oranını %23 azalttı.

Aynı model. Aynı veri. Tamamen farklı sonuç - çünkü bir sistem metni arar, diğeri gerçekliği arar.

Microsoft, Stanford ve Anthropic'in bağımsız olarak keşfettiği şey budur. Ve üçünün de Graph Engineering'a yönelmesinin nedeni budur.

Belge 1 - Microsoft GraphRAG

1. github.com/microsoft/graphrag
2. github.com/microsoft/graphrag/blob/main/docs/index/architecture.md

Microsoft, GraphRAG'ı oluşturdu ve açık kaynak olarak yayınladı. Araştırmalarından elde edilen sonuçlar, Graph Engineering'in normal RAG'a kıyasla gerçekte ne sağladığına dair mevcut en somut rakamlardır.

Mimari, yapılandırılmamış metni tam bir bilgi grafiğine dönüştürür:

1Belgeleri Yükle
2↓
3Belgeleri Parçalara Ayır
4↓
5Varlıkları ve İlişkileri Çıkar
6↓
7Grafik Oluştur
8↓
9Toplulukları Tespit Et
10↓
11Topluluk Raporları Oluştur
12↓
13Varlıkları ve Raporları Gömmek
14↓
15Yerel Arama / Genel Arama

Microsoft'un belgelediği kilit içgörü: normal RAG, yerel soruları iyi yanıtlar - bu belirli varlık hakkında bilgi bul. Genel sorularda başarısız olur - bu veri setinin tamamındaki ana temalar nelerdir, bu 10.000 belgeyi birbirine bağlayan kalıplar nelerdir.

Graph Engineering her ikisini de yanıtlar.

1Yerel Arama   |  Mart ayında X tedarikçisine ne oldu
2               |  belirli düğümü ve bağlantılarını bulur
3
4Genel Arama  |  Tüm tedarikçi ilişkilerimizdeki ana
5               |  risk modelleri nelerdir
6               |  Grafik genelindeki kalıpları bulur

Microsoft'un GraphRAG araştırmasından pratik sonuçlar:

1Doğruluk iyileştirmesi    |  Ham belge yaklaşımından %18 daha yüksek
2Token maliyeti azaltımı    |  Yapılandırılmış dosyaları doğrudan yüklemekten %85 daha düşük
3Görev başına maliyet       |  Test edilen yapılandırmada yaklaşık $0.004

arxiv.org/abs/2603.22528

Bu rakamlar ChatP&ID makalesinden geliyor - GraphRAG'ın endüstriyel mühendislik diyagramlarına uygulanması. Aynı prensipler tüm alanlarda geçerlidir.

Belge 2 - Stanford DSPy ve grafik bağlantısı

1. github.com/stanfordnlp/dspy
2. arxiv.org/abs/2310.03714

Stanford'un DSPy makalesi, modelin bir grafikteki bir düğüm olduğunu - evrenin merkezi olmadığını - ortaya koydu. Bu, doğrudan Graph Engineering ile bağlantılı olan teorik temeldir.

DSPy, yapay zeka hattını bir modüller grafiği olarak ele alır:

1Soru
2↓
3Alıcı      - ilgili bilgiyi bulur
4↓
5Muhakeme      - işler ve bağlantı kurar
6↓
7Doğrulayıcı       - sonucu kontrol eder
8↓
9Cevap

Graph Engineering ile bağlantı doğrudandır: DSPy, ardışık düzen grafiğini optimize eder, GraphRAG bilgi grafiğini optimize eder. Her ikisi de modeli, tüm çözümden ziyade daha büyük bir yapıdaki bir bileşen olarak ele alır.

Stanford'un STORM makalesi daha da ileri gider:

1. github.com/stanford-oval/storm
2. arxiv.org/abs/2402.14207

STORM, tek bir kelime yazmadan önce, yapılandırılmış bir araştırma adımları grafiği aracılığıyla sıfırdan bilgi oluşturur. Araştırma, kaynak toplama, taslak, yazma, doğrulama, revizyon - her adım, bir öncekinde keşfedilen ilişkiler tarafından bilgilendirilir.

Tüm Stanford araştırmalarındaki ortak içgörü: karmaşık görevler, tek bir model çağrısı değil, birbirine bağlı adımlardan oluşan bir sistem gerektirir. Grafik, sistemin kendisidir.

Belge 3 - Bilgi grafikleri için Stanford ölçekleme yasaları

arxiv.org/abs/2505.16276

Bu makale, bilgi grafiği mühendisliği görevlerinde 26 açık kaynak modelini karşılaştırdı. Sonuç, alandaki en önemli sonuçlardan biridir:

1Daha büyük model + kötü grafik   |  daha kötü sonuçlar
2Daha küçük model + iyi grafik |  daha iyi sonuçlar

Doğru grafik, daha büyük modeli yener. Her zaman.

Bu, Microsoft'un GraphRAG ile ve Anthropic'in Claude Code ile ulaştığı sonuçla aynıdır - modelin etrafındaki sistem, çıktıyı modelin kendisinden daha fazla belirler. Graph Engineering, bu ilkenin en somut uygulamasıdır.

Belge 4 - İlişkisel bellek üzerine MIT Press araştırması

direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476

Hesaplamalı Dilbilim Derneği İşlemleri'nde yayınlandı.

Araştırma, bir dil modelini ilişkisel belleğe - yalnızca metin parçalarından ziyade bir ilişkiler bilgi grafiğine - bağladığınızda ne olduğunu gösteriyor.

1Metin Bağlamı
2↓
3Grafikten İlgili İlişkileri Al
4↓
5İlişkisel Bellek
6↓
7Dil Modeli
8↓
9Daha tutarlı, daha doğru üretim

Kilit bulgu: açık ilişki yapılarına erişimi olan modeller, yalnızca metinle çalışan modellerden daha tutarlı metin üretir ve daha az mantıksal hata yapar.

Bu, Graph Engineering'in neden çalıştığının bilimsel açıklamasıdır. Modelin ilişkileri metinden çıkarması gerekmez. İlişkiler grafikte açıktır. Model bunları doğrudan kullanır.

Belge 5 - KEPLER

1. direct.mit.edu/tacl/article-abstract/doi/10.1162/tacl_a_00360/98089
2. github.com/THU-KEG/KEPLER

KEPLER, dil modeli eğitimini bilgi grafiği gömmeleriyle birleştirir. Dil anlayışı ve olgusal bilgiyi ayrı sorunlar olarak ele almak yerine - KEPLER her ikisini de aynı anda optimize eder.

1Dil Modeli
2+
3Bilgi Gömmeleri
4+
5Bilgi Grafiği
6=
7Hem dili hem de gerçekleri anlayan model

Pratik sonuç: düzgün yapılandırılmış bir bilgi grafiğine erişimi olan bir model, varlıklar arasındaki ilişkileri tahmin etmek zorunda değildir. Onları arar. Olgusal sorulardaki doğruluk farkı önemlidir.

Belge 6 - Anthropic ve Claude grafik içinde

1. www.anthropic.com/customers/graph
2. github.com/anthropics/anthropic-cookbook
3. github.com/modelcontextprotocol

Anthropic'in "Graph Engineering" adında bir ürünü yok. Sahip oldukları şey, Claude'un grafik mimarisine doğrudan entegre olduğu üç katmandır.

Katman 1 - Claude grafiği metinden çıkarır

1Belgeler
2↓
3Claude varlıkları ve ilişkileri çıkarır
4↓
5JSON üçlüleri:
6{
7  "subject": "Anthropic",
8  "relation": "created",
9  "object": "Claude"
10}
11↓
12Bilgi Grafiği

Claude, varlık çıkarma, ilişki çıkarma, yineleme silme, normalleştirme ve ontoloji taslağı oluşturma işlemlerini halleder. Daha önce özel NLP ardışık düzenleri gerektiren görevler artık tek bir API çağrısıyla çalışır.

Katman 2 - Claude grafiği sorgular

1Kullanıcı Sorusu
2↓
3Claude
4↓
5Cypher / SPARQL sorgusu
6↓
7Bilgi Grafiği
8↓
9Sonuç
10↓
11Claude'un sade dilde açıklaması

Claude, doğal dili grafik sorgularına çevirir, bunları Neo4j veya herhangi bir grafik veritabanında çalıştırır ve sonuçları açıklar. Kullanıcıdan herhangi bir sorgu dili bilgisi gerekmez.

Katman 3 - MCP, Claude'u grafiğe bağlar

github.com/modelcontextprotocol

1Claude
2↓
3MCP Protokolü
4↓
5Grafik Veritabanı
6↓
7Varlıklar + İlişkiler
8↓
9Tam grafik bağlamına sahip Claude

MCP, Claude'a herhangi bir bilgi grafiğine, bağlantıyı her oturum için yeniden oluşturmadan kalıcı erişim sağlayan taşıma katmanıdır.

LaunchNotes örneği - gerçek üretim rakamları

www.anthropic.com/customers/graph

LaunchNotes, GitHub, Jira ve Linear'ı birbirine bağlayan Graph adlı bir ürün oluşturdu. Claude, üç sistem arasındaki mühendislik çalışması ilişkilerini analiz eder.

1GitHub taahhütleri
2+
3Jira biletleri
4+
5Linear görevleri
6↓
7Mühendislik Çalışması Grafiği
8↓
9Claude
10↓
11Olay Tespiti + Proje İçgörüleri

Anthropic vaka çalışmasından sonuçlar:

1Olay tespiti     |  5 kata kadar daha hızlı
2Toplantı süresi           |  yaklaşık %50 azalma
3Sürüm notları          |  saniyeler içinde otomatik olarak oluşturulur

Bu rakamlar, yapılandırılmış ilişki verilerini bağlamaktan geliyor - yalnızca belgeleri aramaktan değil.

Bir bilgi grafiği gerçekte nedir

Bir tane oluşturmadan önce - temel kavram.

Bir bilgi grafiği, bilgiyi üçlüler halinde depolar:

1Özne → İlişki → Nesne

Örnekler:

1Anthropic → oluşturdu → Claude
2Claude → destekler → MCP
3MCP → bağlanır → harici araçlar
4Microsoft → oluşturdu → GraphRAG
5GraphRAG → token maliyetini azaltır → %85

Her bilgi parçası, iki varlık arasında açık bir ilişkidir. Bu bilgiyi içerebilecek bir metin paragrafı değil - açık, yapılandırılmış, sorgulanabilir bir gerçek.

1Normal veritabanı:
2Şirketler tablosu
3Ürünler tablosu
4Aralarında açık ilişki yok
5
6Bilgi grafiği:
7Şirket → oluşturdu → Ürün
8Ürün → rekabet eder → Diğer Ürün
9Diğer Ürün → sahibi → Diğer Şirket
10Şirket → yatırım yaptı → Diğer Şirket

Grafik yalnızca gerçekleri depolamaz. Gerçeklerin birbirine nasıl bağlandığını depolar. Karmaşık akıl yürütmeyi mümkün kılan şey budur.

Tam Graph Engineering ardışık düzeni

1Adım 1  |  Ham belgeleri topla
2        |  PDF'ler, e-postalar, raporlar, veritabanı dışa aktarımları
3
4Adım 2  |  Varlıkları çıkar
5        |  kişiler, şirketler, ürünler, olaylar, kavramlar
6
7Adım 3  |  İlişkileri çıkar
8        |  kim kime neyi, ne zaman, neden, nasıl yaptı
9
10Adım 4  |  Şema oluştur
11        |  varlık türlerini ve ilişki türlerini tanımla
12
13Adım 5  |  Yinelemeleri kaldır ve normalleştir
14        |  "Microsoft Corp" ve "MSFT" aynı varlıktır
15
16Adım 6  |  Grafik veritabanında sakla
17        |  Neo4j, Amazon Neptune, grafik uzantılı PostgreSQL
18
19Adım 7  |  Alma katmanı oluştur
20        |  belirli varlıklar için yerel arama
21        |  grafik genelindeki kalıplar için genel arama
22
23Adım 8  |  Modeli bağla
24        |  Claude, MCP veya doğrudan API aracılığıyla grafiği sorgular
25
26Adım 9  |  Sürekli güncelle
27        |  yeni belgeler grafiği genişletir
28        |  çelişkiler inceleme için işaretlenir

arxiv.org/abs/2307.06917 adresindeki LLM destekli Bilgi Grafiği Mühendisliği makalesi, dil modellerinin bu adımların her birini ne kadar iyi ele aldığını değerlendiriyor. Dürüst bulgu: LLM'ler, çıkarma ve normalleştirme için mükemmel yardımcılardır, ancak sıfır atışlı grafik oluşturma, şema ve yineleme silme adımlarında insan incelemesi olmadan üretim için henüz yeterince güvenilir değildir.

Tüm ardışık düzeni çalıştıran beş komut

Graph Engineering, komutları ortadan kaldırmaz. Bunları, grafik ardışık düzeninin her belirli aşamasında kullanır.

Komut 1 - Çıkarma

1Tüm kuruluşları, kişileri, ürünleri ve olayları çıkar.
2
3Her varlık için döndür:
4- canonical_name
5- type
6- description
7- source
8
9Her ilişki için döndür:
10- source_entity
11- relation_type
12- target_entity
13- evidence
14- confidence_score

Komut 2 - Normalleştirme

1Aşağıdaki varlıkları karşılaştır.
2Bunların aşağıdakilerden hangisine atıfta bulunduğunu belirle:
3- aynı varlık
4- ilişkili ancak farklı varlıklar
5- ilişkisiz varlıklar
6
7Kurallı adı ve açıklamayı döndür.
8Net kanıt olmadan varlıkları birleştirme.

Komut 3 - Grafik sorgusu

1Kullanıcı sorusunu bir Cypher sorgusuna çevir.
2Yalnızca şemada bulunan ilişkileri kullan.
3Etiketler veya özellikler icat etme.
4Sorguyu ve mantığın kısa bir açıklamasını döndür.

Komut 4 - Temellendirilmiş cevap

1Yalnızca alınan grafik yollarını kullanarak cevapla.
2Her sonuç için:
3- destekleyici düğümleri tanımla
4- ilişki yolunu tanımla
5- belirsizliği açıkça belirt
6- korelasyondan nedensellik çıkarma

Komut 5 - Grafik bakımı

1Yeni gerçekleri mevcut grafikle karşılaştır.
2Her gerçeği şu şekilde sınıflandır:
3- yeni
4- kopya
5- çelişki
6- güncelleme
7- belirsiz
8
9Kanıt olmadan mevcut gerçeklerin üzerine yazma.

Microsoft'un GraphRAG belgelerinin gösterdiği gibi - komutlar, çıkarma, ilişki tanımlama, özetleme ve topluluk raporu oluşturmayı dahili olarak halleder. Prompt mühendisliği, grafik mühendisliğinin içindeki mekanizmadır, rakibi değil.

Bir bilgi grafiği üzerine kurabileceğiniz beş iş

1 - Durum tespit platformu

1Kurumsal raporlar + kurucular + yatırımcılar
2+ hukuki davalar + bağlı şirketler + işlemler
3↓
4Bilgi Grafiği
5↓
6Claude
7↓
8Risk analizi + gizli bağlantılar + çıkar çatışması tespiti

Müşteriler: yatırım fonları, hukuk büroları, bankalar, birleşme ve devralma danışmanları. Müşteri başına aylık retainer $2,000-10,000.

2 - Satış istihbaratı

1Kişiler + şirketler + roller
2+ önceki e-postalar + şirket sorunları + ürün
3↓
4Bilgi Grafiği
5↓
6Kararı kim etkiliyor
7Hangi itirazlar tekrarlanıyor
8Bu belirli müşteriye hangi vaka çalışması gösterilmeli
9Anlaşma nerede tıkanmış

3 - Mühendislik istihbaratı

1GitHub taahhütleri + Jira biletleri + Linear görevleri
2↓
3Mühendislik Çalışması Grafiği
4↓
55 kat daha hızlı olay tespiti
6%50 daha az toplantı süresi
7Otomatik sürüm notları

LaunchNotes bunu zaten satıyor. Pazar, birden fazla proje yönetim aracı kullanan her mühendislik ekibidir.

4 - Araştırma istihbaratı

1Makaleler + yazarlar + kurumlar
2+ yöntemler + veri kümeleri + sonuçlar + çelişkiler
3↓
4Bilgi Grafiği
5↓
6Hangi GraphRAG yöntemleri topluluk tespiti kullanıyor
7Hangi veri kümelerinde test edildiler
8Hangi makaleler birbiriyle çelişiyor

5 - Kişisel bilgi işletim sistemi

1Obsidian notları + e-postalar + takvim
2+ PDF'ler + kişiler + görevler
3↓
4Kişisel Bilgi Grafiği
5↓
6Bu fikri kiminle tartıştım
7Hangi görevler bir kişinin yanıtına bağlı
8Hangi kararlar önceki anlaşmalarla çelişiyor
9Bu ay ne yapmaya söz verdim

Microsoft, Stanford ve Anthropic'i birbirine bağlayan değişim

1Prompt Mühendisliği   |  doğru soru nasıl sorulur
2RAG                  |  hangi belge bulunur
3Graph Engineering    |  hangi varlıklar var
4                     |  nasıl bağlanıyorlar
5                     |  hangi yol cevaba götürüyor
6                     |  bir düğüm değişirse ne değişir

LLM kelimeleri bilir. Bilgi grafiği ilişkileri bilir. En güçlü yapay zeka sistemleri, her ikisi birlikte çalıştığında ortaya çıkar.

Microsoft bunu üretimde GraphRAG ile kanıtladı - %18 daha iyi doğruluk, %85 daha düşük maliyet. Stanford bunu DSPy, STORM ve ölçekleme yasaları makalesi ile araştırmada kanıtladı. Anthropic, LaunchNotes örneğinde kanıtladı - 5 kat daha hızlı olay tespiti, %50 daha az toplantı süresi.

Üç kuruluş. Üç bağımsız yol. Tek sonuç.

Model metni bulur. Grafik gerçekliği bulur. Grafiği oluşturun.

Çoğu geliştirici, komutlarını geliştirmeye devam edecek ve karmaşık soruların neden hala kötü cevaplar verdiğini merak edecek. Birkaçı, ilk bilgi grafiklerini oluşturmak için bir hafta sonu harcayacak ve asla belge aramaya geri dönmeyecek.

/ Bu faydalıysa - takip edin, bir sonraki önce burada yayınlanacak.