Aujourd'hui, n'importe qui peut construire un système d'IA qui répond à des questions complexes avec une précision 18 % supérieure et des coûts 85 % inférieurs à ceux d'un RAG classique. Pas de doctorat. Pas de budget d'un million de dollars. Pas d'équipe de chercheurs.
La seule chose qui se dresse entre vous et ce résultat est un concept que Microsoft, Stanford et Anthropic ont tous découvert indépendamment – et que la plupart des développeurs n'ont pas encore rattrapé.
Le RAG classique trouve du texte. Le Graph Engineering trouve des relations. Voici le système complet qui se cache derrière.
Mettez ceci en favori et suivez-moi
- Je suis Sprytix, un développeur qui construit des systèmes d'IA et des pipelines d'automatisation qui transforment la technologie en revenus réels. DM ouverts.
Pourquoi le RAG classique atteint un plafond
Le RAG classique fonctionne ainsi :
1Question2↓3Rechercher des documents correspondant au texte4↓5Retourner les segments les plus pertinents6↓7Le modèle génère une réponse à partir des segments
Cela fonctionne bien pour les questions simples. Cela échoue complètement pour les questions complexes.
Demandez « pourquoi nos ventes de produits ont-elles chuté en mars ? » et le RAG trouve des documents contenant les mots « ventes » et « mars ». Il trouve des fragments. Il ne trouve pas la chaîne de causalité.
1Réponse RAG :2Voici 5 documents mentionnant les ventes en mars.34Réponse Graph Engineering :5Les ventes ont chuté à cause d'un retard de livraison6causé par une dépendance envers un fournisseur7déclenchée par un problème d'entrepôt8qui a généré des avis négatifs9qui ont réduit le taux de conversion de 23 %.
Même modèle. Mêmes données. Résultat complètement différent – car un système cherche du texte et l'autre cherche la réalité.
C'est ce que Microsoft, Stanford et Anthropic ont tous découvert indépendamment. Et c'est pourquoi ces trois entités sont passées au Graph Engineering.
Document 1 – Microsoft GraphRAG
Microsoft a construit GraphRAG et l'a open-sourcé. Les résultats de leurs recherches sont les chiffres les plus concrets disponibles sur ce que le Graph Engineering apporte réellement par rapport au RAG classique.
L'architecture convertit du texte non structuré en un graphe de connaissances complet :
1Charger les documents2↓3Segmenter les documents4↓5Extraire les entités et les relations6↓7Construire le graphe8↓9Détecter les communautés10↓11Générer des rapports de communauté12↓13Plonger les entités et les rapports14↓15Recherche locale / Recherche globale
L'idée clé que Microsoft a documentée : le RAG classique répond bien aux questions locales – trouve-moi des informations sur cette entité spécifique. Il échoue sur les questions globales – quels sont les principaux thèmes dans l'ensemble de ce jeu de données, quels motifs relient ces 10 000 documents.
Le Graph Engineering répond aux deux.
1Recherche locale | que s'est-il passé avec le fournisseur X en mars2 | trouve le nœud spécifique et ses connexions34Recherche globale | quels sont les principaux schémas de risque dans5 | l'ensemble de nos relations fournisseurs6 | trouve des motifs sur l'ensemble du graphe
Résultats pratiques de la recherche GraphRAG de Microsoft :
1Amélioration de la précision | 18 % de plus que l'approche document brut2Réduction du coût des tokens | 85 % de moins que le chargement direct de fichiers structurés3Coût par tâche | environ 0,004 $ dans la configuration testée
Ces chiffres proviennent de l'article ChatP&ID – GraphRAG appliqué aux diagrammes d'ingénierie industrielle. Les mêmes principes s'appliquent à tous les domaines.
Document 2 – Stanford DSPy et la connexion au graphe
L'article DSPy de Stanford a établi que le modèle est un nœud dans un graphe – pas le centre de l'univers. C'est le fondement théorique qui se connecte directement au Graph Engineering.
DSPy traite le pipeline d'IA comme un graphe de modules :
1Question2↓3Récupérateur - trouve les informations pertinentes4↓5Raisonnement - traite et relie6↓7Vérificateur - vérifie le résultat8↓9Réponse
La connexion avec le Graph Engineering est directe : DSPy optimise le graphe du pipeline, GraphRAG optimise le graphe de connaissances. Les deux traitent le modèle comme un composant d'une structure plus vaste, plutôt que comme la solution complète.
L'article STORM de Stanford va plus loin :
STORM construit des connaissances à partir de zéro via un graphe structuré d'étapes de recherche avant d'écrire un seul mot. Recherche, collecte de sources, plan, rédaction, vérification, révision – chaque étape étant informée par les relations découvertes à l'étape précédente.
L'idée commune à toutes les recherches de Stanford : les tâches complexes nécessitent un système d'étapes connectées, pas un seul appel de modèle. Le graphe est le système.
Document 3 – Lois d'échelle de Stanford pour les graphes de connaissances
Cet article a comparé 26 modèles open-source sur des tâches d'ingénierie de graphes de connaissances. La conclusion est l'une des plus importantes du domaine :
1Modèle plus grand + mauvais graphe | résultats moins bons2Modèle plus petit + bon graphe | meilleurs résultats
Le bon graphe bat le plus grand modèle. À chaque fois.
C'est la même conclusion à laquelle sont parvenus Microsoft avec GraphRAG et Anthropic avec Claude Code – le système autour du modèle détermine la sortie plus que le modèle lui-même. Le Graph Engineering est l'implémentation la plus concrète de ce principe.
Document 4 – Recherche du MIT Press sur la mémoire relationnelle
direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476
Publié dans Transactions of the Association for Computational Linguistics.
La recherche montre ce qui se passe lorsque vous connectez un modèle de langage à une mémoire relationnelle – un graphe de connaissances de relations plutôt que de simples segments de texte.
1Contexte textuel2↓3Récupérer les relations pertinentes du graphe4↓5Mémoire relationnelle6↓7Modèle de langage8↓9Génération plus cohérente et plus précise
Le résultat clé : les modèles ayant accès à des structures de relations explicites produisent un texte plus cohérent et commettent moins d'erreurs logiques que les modèles travaillant à partir du seul texte.
C'est l'explication scientifique de l'efficacité du Graph Engineering. Le modèle n'a pas à déduire les relations du texte. Les relations sont explicites dans le graphe. Le modèle les utilise directement.
Document 5 – KEPLER
KEPLER combine l'entraînement des modèles de langage avec les plongements de graphes de connaissances. Au lieu de traiter la compréhension du langage et les connaissances factuelles comme des problèmes séparés – KEPLER optimise les deux simultanément.
1Modèle de langage2+3Plongements de connaissances4+5Graphe de connaissances6=7Modèle qui comprend à la fois le langage et les faits
L'implication pratique : un modèle qui a accès à un graphe de connaissances correctement structuré n'a pas à deviner les relations entre les entités. Il les consulte. La différence de précision sur les questions factuelles est significative.
Document 6 – Anthropic et Claude dans le graphe
- www.anthropic.com/customers/graph
- github.com/anthropics/anthropic-cookbook
- github.com/modelcontextprotocol
Anthropic n'a pas de produit appelé « Graph Engineering ». Ce qu'ils ont, ce sont trois couches où Claude s'intègre directement dans l'architecture du graphe.
Couche 1 – Claude extrait le graphe du texte
1Documents2↓3Claude extrait les entités et les relations4↓5Triplets JSON :6{7 "subject": "Anthropic",8 "relation": "a créé",9 "object": "Claude"10}11↓12Graphe de connaissances
Claude gère l'extraction d'entités, l'extraction de relations, la déduplication, la normalisation et l'ébauche d'ontologie. Les tâches qui nécessitaient auparavant des pipelines NLP spécialisés fonctionnent désormais avec un seul appel API.
Couche 2 – Claude interroge le graphe
1Question de l'utilisateur2↓3Claude4↓5Requête Cypher / SPARQL6↓7Graphe de connaissances8↓9Résultat10↓11Explication de Claude en langage naturel
Claude traduit le langage naturel en requêtes de graphe, les exécute sur Neo4j ou toute base de données de graphes et explique les résultats. Aucune connaissance du langage de requête n'est requise de la part de l'utilisateur.
Couche 3 – MCP connecte Claude au graphe
github.com/modelcontextprotocol
1Claude2↓3Protocole MCP4↓5Base de données de graphes6↓7Entités + Relations8↓9Claude avec le contexte complet du graphe
MCP est la couche de transport qui donne à Claude un accès permanent à tout graphe de connaissances sans avoir à reconstruire la connexion à chaque session.
Le cas LaunchNotes – des chiffres de production réels
www.anthropic.com/customers/graph
LaunchNotes a construit un produit appelé Graph qui connecte GitHub, Jira et Linear. Claude analyse les relations entre le travail d'ingénierie sur les trois systèmes.
1Commits GitHub2+3Tickets Jira4+5Tâches Linear6↓7Graphe du travail d'ingénierie8↓9Claude10↓11Détection d'incidents + Informations sur les projets
Résultats de l'étude de cas Anthropic :
1Détection d'incidents | jusqu'à 5 fois plus rapide2Temps de réunion | environ 50 % de réduction3Notes de version | générées automatiquement en quelques secondes
Ces chiffres proviennent de la connexion de données relationnelles structurées – pas seulement de la recherche dans des documents.
Ce qu'est réellement un graphe de connaissances
Avant d'en construire un – le concept fondamental.
Un graphe de connaissances stocke les informations sous forme de triplets :
1Sujet → Relation → Objet
Exemples :
1Anthropic → a créé → Claude2Claude → prend en charge → MCP3MCP → connecte → outils externes4Microsoft → a construit → GraphRAG5GraphRAG → réduit le coût des tokens de → 85 %
Chaque information est une relation explicite entre deux entités. Pas un paragraphe de texte qui pourrait contenir cette information – un fait explicite, structuré et interrogeable.
1Base de données classique :2Tableau des entreprises3Tableau des produits4Aucune relation explicite entre eux56Graphe de connaissances :7Entreprise → a créé → Produit8Produit → est en concurrence avec → Autre produit9Autre produit → est détenu par → Autre entreprise10Entreprise → a investi dans → Autre entreprise
Le graphe ne stocke pas seulement des faits. Il stocke la façon dont les faits sont connectés entre eux. C'est ce qui rend le raisonnement complexe possible.
Le pipeline complet du Graph Engineering
1Étape 1 | Collecter les documents bruts2 | PDF, e-mails, rapports, exportations de bases de données34Étape 2 | Extraire les entités5 | personnes, entreprises, produits, événements, concepts67Étape 3 | Extraire les relations8 | qui a fait quoi à qui, quand, pourquoi, comment910Étape 4 | Construire le schéma11 | définir les types d'entités et les types de relations1213Étape 5 | Dédupliquer et normaliser14 | « Microsoft Corp » et « MSFT » sont la même entité1516Étape 6 | Stocker dans une base de données de graphes17 | Neo4j, Amazon Neptune, PostgreSQL avec extension graphe1819Étape 7 | Construire la couche de récupération20 | recherche locale pour des entités spécifiques21 | recherche globale pour des motifs sur l'ensemble du graphe2223Étape 8 | Connecter le modèle24 | Claude interroge le graphe via MCP ou une API directe2526Étape 9 | Mettre à jour en continu27 | les nouveaux documents étendent le graphe28 | les contradictions sont signalées pour révision
L'article LLM-assisted Knowledge Graph Engineering à arxiv.org/abs/2307.06917 évalue comment les modèles de langage gèrent chacune de ces étapes. Le constat honnête : les LLM sont d'excellents assistants pour l'extraction et la normalisation, mais la génération de graphes en zéro-shot n'est pas encore suffisamment fiable pour la production sans une révision humaine sur les étapes de schéma et de déduplication.
Les cinq prompts qui font fonctionner tout le pipeline
Le Graph Engineering n'élimine pas les prompts. Il les utilise à chaque étape spécifique du pipeline de graphe.
Prompt 1 – Extraction
1Extrayez toutes les organisations, personnes, produits et événements.23Pour chaque entité, renvoyez :4- canonical_name5- type6- description7- source89Pour chaque relation, renvoyez :10- source_entity11- relation_type12- target_entity13- evidence14- confidence_score
Prompt 2 – Normalisation
1Comparez les entités suivantes.2Déterminez si elles font référence à :3- la même entité4- des entités liées mais différentes5- des entités non liées67Renvoyez le nom canonique et une explication.8Ne fusionnez pas les entités sans preuve claire.
Prompt 3 – Requête de graphe
1Traduisez la question de l'utilisateur en une requête Cypher.2Utilisez uniquement les relations présentes dans le schéma.3N'inventez pas d'étiquettes ou de propriétés.4Renvoyez la requête et une brève explication de la logique.
Prompt 4 – Réponse fondée
1Répondez en utilisant uniquement les chemins de graphe récupérés.2Pour chaque conclusion :3- identifiez les nœuds de support4- identifiez le chemin de relation5- indiquez clairement l'incertitude6- ne déduisez pas la causalité de la corrélation
Prompt 5 – Maintenance du graphe
1Comparez les nouveaux faits avec le graphe existant.2Classez chaque fait comme :3- nouveau4- doublon5- contradiction6- mise à jour7- incertain89N'écrasez pas les faits existants sans preuve.
Comme le montre la documentation de GraphRAG de Microsoft – les prompts gèrent en interne l'extraction, l'identification des relations, la synthèse et la génération de rapports de communauté. L'ingénierie des prompts est le mécanisme à l'intérieur du Graph Engineering, pas son concurrent.
Cinq entreprises que vous pouvez construire sur un graphe de connaissances
1 – Plateforme de due diligence
1Rapports d'entreprise + fondateurs + investisseurs2+ affaires juridiques + filiales + transactions3↓4Graphe de connaissances5↓6Claude7↓8Analyse des risques + connexions cachées + détection de conflits d'intérêts
Clients : fonds d'investissement, cabinets d'avocats, banques, conseillers en fusion-acquisition. Honoraires mensuels : 2 000 à 10 000 $ par client.
2 – Intelligence commerciale
1Contacts + entreprises + rôles2+ e-mails précédents + problèmes des entreprises + produit3↓4Graphe de connaissances5↓6Qui influence la décision7Quelles objections reviennent8Quelle étude de cas montrer à ce client spécifique9Où l'affaire est bloquée
3 – Intelligence d'ingénierie
1Commits GitHub + tickets Jira + tâches Linear2↓3Graphe du travail d'ingénierie4↓5Détection d'incidents 5 fois plus rapide650 % de temps de réunion en moins7Notes de version automatiques
LaunchNotes vend déjà cela. Le marché concerne toutes les équipes d'ingénierie qui utilisent plus d'un outil de gestion de projet.
4 – Intelligence de recherche
1Articles + auteurs + institutions2+ méthodes + jeux de données + résultats + contradictions3↓4Graphe de connaissances5↓6Quelles méthodes GraphRAG utilisent la détection de communautés7Sur quels jeux de données elles ont été testées8Quels articles se contredisent
5 – OS de connaissances personnelles
1Notes Obsidian + e-mails + calendrier2+ PDF + contacts + tâches3↓4Graphe de connaissances personnel5↓6Avec qui ai-je discuté de cette idée7Quelles tâches dépendent de la réponse d'une personne8Quelles décisions contredisent des accords antérieurs9Qu'ai-je promis de faire ce mois-ci
Le changement qui relie Microsoft, Stanford et Anthropic
1Ingénierie des prompts | comment poser la bonne question2RAG | quel document trouver3Graph Engineering | quelles entités existent4 | comment elles sont connectées5 | quel chemin mène à la réponse6 | ce qui change si un nœud change
Le LLM connaît les mots. Le graphe de connaissances connaît les relations. Les systèmes d'IA les plus puissants apparaissent lorsque les deux travaillent ensemble.
Microsoft l'a prouvé en production avec GraphRAG – 18 % de meilleure précision, 85 % de coûts en moins. Stanford l'a prouvé dans la recherche avec DSPy, STORM et l'article sur les lois d'échelle. Anthropic l'a prouvé dans le cas LaunchNotes – détection d'incidents 5 fois plus rapide, 50 % de temps de réunion en moins.
Trois organisations. Trois chemins indépendants. Une seule conclusion.
Le modèle trouve le texte. Le graphe trouve la réalité. Construisez le graphe.
La plupart des développeurs continueront à améliorer leurs prompts et se demanderont pourquoi les questions complexes donnent toujours de mauvaises réponses. Quelques-uns passeront un week-end à construire leur premier graphe de connaissances et ne reviendront jamais à la recherche de documents.
/ Si cela vous a été utile – suivez-moi, le prochain sera publié ici en premier.
