La mayoría de la gente usa la IA como un motor de búsqueda caro. Abren un chat, hacen una pregunta, obtienen una respuesta, cierran la pestaña. Al día siguiente empiezan desde cero porque la IA no recuerda nada.
Pero hay desarrolladores que ganan entre $10,000 y $20,000 al mes simplemente porque su sistema de IA responde el doble de rápido, da respuestas más precisas y cuesta un 85% menos que el de sus competidores. No están usando algún modelo secreto. Construyeron la arquitectura correcta alrededor de un modelo normal.
Se llama Kimi K3 + Graph Engineering. Microsoft pasó años demostrando que funciona: un 85% menos de costos, un 18% más de precisión.
Así es como puedes construir esto tú mismo desde cero en una semana.
Por qué el RAG normal deja de funcionar en algún momento
La mayoría de los desarrolladores construyen sistemas de IA de la misma manera. El usuario pregunta algo, el sistema busca en documentos, encuentra fragmentos de texto similares, el modelo genera una respuesta. Funciona bien para preguntas simples. Se desmorona por completo para las complejas.
Pregunta "¿por qué cayeron nuestras ventas en marzo?" y el RAG normal encuentra documentos con las palabras "ventas" y "marzo". Encuentra fragmentos. No encuentra la cadena de causas.
1Respuesta de RAG normal:2Aquí hay 5 documentos que mencionan ventas en marzo.34Respuesta de Graph Engineering:5Las ventas cayeron debido a un retraso en el lanzamiento6causado por un problema de proveedor7provocado por una falla en el almacén8que generó reseñas negativas9que redujeron la conversión en un 23%.
Mismo modelo. Mismos datos. Resultado completamente diferente: porque un sistema busca texto y el otro busca conexiones entre hechos reales.
Esto es lo que Microsoft, Stanford y Anthropic descubrieron por separado. Y es por eso que los desarrolladores que entienden esto se mueven más rápido que todos los demás.
Qué es realmente un grafo de conocimiento
Un grafo de conocimiento almacena información como tripletes:
1Sujeto → Relación → Objeto
Ejemplos reales:
1Kimi K3 → desarrollado por → Moonshot AI2Kimi K3 → ventana de contexto → 1 millón de tokens3Microsoft → construyó → GraphRAG4GraphRAG → reduce costos en → 85%5Anthropic → creó → Claude6Claude → admite → MCP
Cada pieza de información es una conexión explícita entre dos entidades. No un párrafo de texto que podría contener esta información en algún lado, sino un hecho estructurado que puedes consultar directamente.
1Base de datos normal:2Tabla de empresas3Tabla de productos4Sin conexiones explícitas entre ellos56Grafo de conocimiento:7Empresa → creó → Producto8Producto → compite con → Otro Producto9Otro Producto → propiedad de → Otra Empresa10Empresa → invirtió en → Otra Empresa
El grafo no solo almacena hechos. Almacena cómo se conectan los hechos entre sí. Eso es lo que hace posible el razonamiento complejo, y lo que el RAG normal nunca podrá hacer, por muy bueno que sea el modelo.
El Stanford AI Lab define un grafo de conocimiento como una base de datos estructurada donde la información se representa como una red de entidades y relaciones en tripletes sujeto-relación-objeto. Se utiliza en búsquedas, recomendaciones y tareas donde necesitas encontrar conexiones indirectas.
Por qué Kimi K3 es el modelo adecuado para esta arquitectura
La mayoría de los modelos tienen ventanas de contexto de 128,000 a 200,000 tokens. Kimi K3 tiene un millón. Esto no es solo un número impresionante, es una ventaja arquitectónica específicamente para Graph Engineering.
Un grafo devuelve subgrafos, cadenas de evidencia, listas de entidades conectadas. Todo esto ocupa espacio en la ventana de contexto. Con una ventana pequeña tienes que recortar el grafo. Con un millón de tokens, toda la parte relevante del grafo cabe en una sesión.
1Arquitectura de Kimi K3:22.8 billones de parámetros totales3896 expertos en MoE, 16 activos por token4Ventana de contexto de 1,048,576 tokens5Análisis de imágenes nativo6Kimi Delta Attention para secuencias largas7Attention Residuals para preservar señales entre capas
Kimi Delta Attention es un mecanismo híbrido que reduce el costo de trabajar con secuencias largas. Para Graph Engineering, esto significa que el sistema puede pasar al modelo subgrafos grandes, listas de evidencia largas, docenas de documentos y estructura de repositorio sin aumentos catastróficos de costo.
Pero incluso un millón de tokens es memoria temporal. Después de la sesión, todo desaparece.
1Contexto de 1M tokens = gran superficie de trabajo por sesión2Grafo de conocimiento = memoria estructurada permanente entre sesiones
Kimi K3 proporciona escala y razonamiento. Graph Engineering proporciona memoria y estructura. Juntos resuelven diferentes problemas al mismo tiempo.
Documento 1 - Microsoft GraphRAG
Microsoft construyó GraphRAG y lo lanzó como código abierto. Los números de su investigación son la evidencia más concreta disponible de lo que Graph Engineering realmente ofrece en comparación con el RAG normal.
La arquitectura convierte texto no estructurado en un grafo de conocimiento completo:
1Cargar documentos2↓3Fragmentar documentos4↓5Extraer entidades y relaciones6↓7Construir grafo8↓9Detectar comunidades10↓11Generar informes de comunidad12↓13Incrustar entidades e informes14↓15Búsqueda local / Búsqueda global
Información clave de Microsoft: el RAG normal responde bien preguntas locales (encontrar información sobre esta entidad específica). Falla en preguntas globales (cuáles son los patrones principales en estos 10,000 documentos, qué conecta estos eventos en todo el conjunto de datos).
Graph Engineering responde ambas.
1Búsqueda local | qué pasó con el proveedor X en marzo2 | encuentra el nodo específico y sus conexiones34Búsqueda global | cuáles son los principales patrones de riesgo5 | en todas nuestras relaciones con proveedores6 | encuentra patrones en todo el grafo
Números reales de la investigación ChatP&ID:
1Mejora de precisión | 18% más que el enfoque de documentos sin procesar2Reducción de costo de tokens | 85% menos que cargar archivos estructurados directamente3Costo por tarea | aproximadamente $0.004 en la configuración probada
Documento 2 - Tres modos de combinar LLM y Grafo de Conocimiento
Uno de los artículos teóricos más sólidos sobre la combinación de modelos de lenguaje y grafos de conocimiento describe tres modos:
1Modo 1 - LLM mejorado por KG2El grafo proporciona hechos y estructura al modelo3El modelo genera mejores respuestas45Modo 2 - KG aumentado por LLM6El modelo crea, limpia y expande el grafo7El grafo mejora con el tiempo89Modo 3 - LLM + KG sinergizados10El grafo y el modelo se mejoran mutuamente11Modo más poderoso
Para Kimi K3 + Graph Engineering, el tercer modo funciona mejor. Kimi K3 extrae nuevos hechos y los añade al grafo. El grafo proporciona a Kimi K3 contexto estructurado para el razonamiento. El ciclo se repite y el sistema mejora con cada iteración.
Documento 3 - Memoria relacional para modelos de lenguaje
MIT Press, Transactions of the Association for Computational Linguistics.
La investigación muestra lo que sucede cuando conectas un modelo de lenguaje a una memoria relacional (un grafo de conocimiento de relaciones en lugar de fragmentos de texto).
1Contexto de texto2↓3Extraer relaciones relevantes del grafo4↓5Memoria relacional6↓7Modelo de lenguaje8↓9Generación más coherente y precisa
Hallazgo clave: los modelos con acceso a estructuras de relación explícitas producen texto más coherente y cometen menos errores lógicos que los modelos que trabajan solo con texto.
Esta es la explicación científica de por qué funciona Graph Engineering. El modelo no tiene que inferir relaciones a partir del texto. Las relaciones son explícitas en el grafo. El modelo las usa directamente.
Publicado bajo CC BY 4.0: se puede usar libremente con atribución.
Documento 4 - Leyes de escalado para la ingeniería de grafos de conocimiento
Investigación que comparó 26 modelos de código abierto en tareas de ingeniería de grafos de conocimiento. La conclusión es uno de los hallazgos más importantes del campo:
1Modelo más grande + grafo malo | peores resultados2Modelo más pequeño + grafo bueno | mejores resultados
El grafo correcto vence al modelo más grande. Siempre.
La misma conclusión a la que llegaron Microsoft con GraphRAG y Anthropic con Claude Code: el sistema alrededor del modelo determina la salida más que el modelo mismo. Graph Engineering es la implementación más concreta de ese principio.
Documento 5 - Agente como Grafo
Este artículo muestra cómo representar no solo conocimiento, sino también agentes y herramientas como nodos en un grafo.
1Pregunta del usuario2↓3Grafo de capacidades4↓5Seleccionar agente de investigación6↓7Seleccionar herramienta de GitHub8↓9Seleccionar herramienta de ArXiv10↓11Seleccionar herramienta de base de datos de grafos12↓13Kimi K3 coordina la ejecución
Los autores reportan una mejora de Recall@5 del 14.9% y una mejora de nDCG@5 del 14.6% frente a recuperadores comparables en LiveMCPBenchmark.
Para Kimi K3, esto significa que el grafo puede gestionar no solo el conocimiento, sino también qué agente y qué herramienta usar para cada tarea específica.
Documento 6 - Kimi Code y Agent SDK
Kimi Code es un agente de terminal que puede:
1Leer y editar código2Ejecutar comandos de shell3Buscar archivos4Obtener páginas web5Analizar el resultado de cada paso6Elegir independientemente la siguiente acción7Admite MCP8Hooks de ciclo de vida9Modos de aprobación
Kimi Agent SDK te permite usar Kimi Code como base de tu propio agente. Reutiliza las herramientas, habilidades y configuración del servidor MCP de Kimi Code.
Para Graph Engineering, esta es una capa de ejecución ya preparada. El grafo proporciona conocimiento estructurado y rutas de razonamiento. Kimi Code toma acciones en el entorno real. El SDK lo une todo.
La arquitectura completa del sistema
1Paso 1 - Capa de ingesta2PDFs, sitios web, bases de datos, APIs, Slack, Notion3↓45Paso 2 - Capa de extracción6Kimi K3 extrae entidades y relaciones78{9 "entity": "Kimi K3",10 "type": "modelo de IA",11 "relations": [12 {13 "predicate": "desarrollado_por",14 "object": "Moonshot AI",15 "confidence": 0.9816 }17 ]18}1920↓2122Paso 3 - Capa de resolución23El sistema resuelve si estas son la misma entidad:24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面2526↓2728Paso 4 - Almacenamiento en grafo29Neo4j / Memgraph / Amazon Neptune / PostgreSQL3031↓3233Paso 5 - Capa de recuperación34Búsqueda vectorial + Búsqueda de entidades + Búsqueda de rutas35Búsqueda de comunidades + Filtrado temporal3637↓3839Paso 6 - Capa de agente40Kimi K3:41Planifica el enfoque42Elige la herramienta correcta43Genera consultas Cypher o SPARQL44Analiza el subgrafo45Realiza investigación web46Saca conclusiones47Identifica la próxima brecha de conocimiento4849↓5051Paso 7 - Capa de verificación52Verifica la cobertura de evidencia53Encuentra contradicciones54Evalúa la confianza55Verifica las fuentes5657↓5859Paso 8 - Actualización del grafo60Nuevos hechos añadidos al grafo61Contradicciones marcadas62La información antigua recibe una marca de tiempo
Este es un bucle cerrado de conocimiento-acción. Kimi K3 no solo lee el grafo. Identifica lo que falta, forma subpreguntas, selecciona un nodo o subgrafo, ejecuta una búsqueda, verifica el resultado, añade un nuevo hecho y reevalúa la hipótesis.
Cinco prompts que ejecutan todo el pipeline
Graph Engineering no reemplaza los prompts. Los utiliza en cada etapa específica.
Prompt 1 - Extracción
1Extrae todas las organizaciones, personas, productos y eventos.23Para cada entidad devuelve:4- canonical_name5- type6- description7- source89Para cada relación devuelve:10- source_entity11- relation_type12- target_entity13- evidence14- confidence_score
Prompt 2 - Normalización
1Compara las siguientes entidades.2Determina si se refieren a:3- la misma entidad4- entidades relacionadas pero diferentes5- entidades no relacionadas67Devuelve el nombre canónico y la explicación.8No fusiones entidades sin evidencia clara.
Prompt 3 - Consulta al grafo
1Traduce la pregunta del usuario a una consulta Cypher.2Usa solo las relaciones presentes en el esquema.3No inventes etiquetas ni propiedades.4Devuelve la consulta y la explicación de la lógica.
Prompt 4 - Respuesta fundamentada
1Responde usando solo las rutas del grafo recuperadas.2Para cada conclusión:3- identifica los nodos de apoyo4- identifica la ruta de relación5- indica claramente la incertidumbre6- no infieras causalidad a partir de correlación
Prompt 5 - Mantenimiento del grafo
1Compara los nuevos hechos con el grafo existente.2Clasifica cada hecho como:3- nuevo4- duplicado5- contradicción6- actualización7- incierto89No sobrescribas hechos existentes sin evidencia.
Cinco negocios que puedes construir con este sistema
1 - Investigación de inversiones
1Empresa2├── fundadores y sus proyectos anteriores3├── inversores y su cartera4├── competidores y sus estrategias5├── riesgos legales6├── patentes7├── ofertas de empleo como señal de estrategia8└── métricas financieras a lo largo del tiempo
Kimi K3 lee informes y noticias. El grafo muestra conexiones ocultas entre empresas, inversores compartidos, dependencias de proveedores y señales de personal. Clientes: fondos de inversión, bufetes de abogados, consultores de fusiones y adquisiciones. $2,000-10,000 por cliente al mes.
2 - Inteligencia de ingeniería
1Commits de GitHub + tickets de Jira + tareas de Linear2↓3Grafo del trabajo de ingeniería4↓5Detección de incidentes 5x más rápida650% menos tiempo de reuniones7Notas de versión automáticas
LaunchNotes ya vende esto. El mercado es cada equipo de ingeniería que use más de una herramienta de gestión de proyectos.
3 - Motor de investigación científica
1Artículo → autor → institución → método → conjunto de datos → resultado2↓3¿Qué métodos de GraphRAG usan detección de comunidades,4en qué conjuntos de datos se probaron5y qué artículos se contradicen entre sí?
La búsqueda normal da una lista de documentos. Un sistema de grafos construye un mapa de evidencia y contradicciones.
4 - Grafo de amenazas de ciberseguridad
1IP → dominio → certificado → malware → campaña → actor2↓3Kimi K3 analiza informes de amenazas4Mapea indicadores entre fuentes5Explica rutas de ataque6Actualiza el grafo de amenazas automáticamente
5 - Sistema operativo de conocimiento personal
1Personas ↔ Reuniones ↔ Proyectos ↔ Documentos ↔ Decisiones ↔ Promesas2↓3Preguntas que Kimi K3 puede responder:4¿Quién está bloqueando esta tarea?5¿Qué decisión tomamos y en qué se basaba?6¿Qué prometí hacer este mes?7¿Qué suposiciones antiguas ya no son válidas?
Por dónde empezar esta semana
1Día 1 | instala Neo4j localmente2 | lee el README de DSPy3 | github.com/stanfordnlp/dspy4 | comprende la diferencia entre hacer prompting5 | y programar un sistema67Día 2 | toma un conjunto de documentos8 | ejecuta Kimi K3 a través de la API9 | extrae las primeras entidades y relaciones10 | guárdalas en Neo4j1112Día 3 | construye la primera capa de recuperación13 | combina búsqueda vectorial y búsqueda en grafo14 | prueba con una pregunta compleja que el RAG no pueda responder1516Día 4 | conecta Kimi Code a través de MCP17 | github.com/MoonshotAI/kimi-code18 | deja que el agente lea el grafo y añada nuevos hechos19 | ejecuta el primer bucle conocimiento-acción2021Día 5 | mide el resultado22 | compara precisión vs RAG normal23 | compara costos de tokens24 | encuentra el primer caso de uso real con un cliente
Lo que Microsoft, Stanford y Anthropic descubrieron juntos
1Microsoft GraphRAG | el grafo reduce costos un 85%, mejora precisión un 18%2Stanford DSPy | el modelo es un nodo en un grafo, no el centro3Stanford Scaling Laws | modelo más pequeño + buen grafo vence a modelo más grande4MIT Press Research | las relaciones explícitas mejoran coherencia y precisión5Anthropic LaunchNotes | detección de incidentes 5x más rápida, 50% menos tiempo de reuniones
Kimi K3 es el motor. Graph Engineering es el mapa, la memoria y el sistema de coordenadas. Sin el motor, el grafo no actúa. Sin el grafo, el motor se mueve muy rápido pero no siempre sabe hacia dónde va.
La mayoría de los desarrolladores seguirán construyendo RAG normal y se preguntarán por qué las preguntas complejas dan malas respuestas. Unos pocos dedicarán una semana a construir un sistema de grafos y nunca volverán a buscar texto.
Tú construyes tu propia vida, así que elige el camino correcto.
/ Si esto te fue útil, sígueme /
![[Memorándum] Los jefes están prescindiendo de los subordinados con bajo rendimiento](/cdn-cgi/image/width=1920,quality=90,format=auto,metadata=none/https%3A%2F%2Fcms-assets.youmind.com%2Fmedia%2F1784827522698_408j7z_HN3Kb76awAAvvjF.jpg)
