Kimi K3 + ग्राफ इंजीनियरिंग: 85% कम टोकन लागत और 18% बेहतर सटीकता

ज़्यादातर लोग AI का इस्तेमाल महंगे सर्च इंजन की तरह करते हैं। एक चैट खोलो, एक सवाल पूछो, जवाब पाओ, टैब बंद करो। अगले दिन वे शून्य से शुरू करते हैं क्योंकि AI को कुछ भी याद नहीं रहता।

लेकिन कुछ डेवलपर ऐसे हैं जो हर महीने $10,000-20,000 कमा रहे हैं, सिर्फ इसलिए क्योंकि उनकी AI प्रणाली दोगुनी तेज़ी से जवाब देती है, ज़्यादा सटीक जवाब देती है और अपने प्रतिस्पर्धियों की तुलना में 85% कम खर्च करती है। वे कोई गुप्त मॉडल नहीं इस्तेमाल कर रहे। उन्होंने एक सामान्य मॉडल के चारों ओर सही आर्किटेक्चर बनाया है।

इसे Kimi K3 + Graph Engineering कहा जाता है। Microsoft ने इसे साबित करने में वर्षों बिताए - 85% कम लागत, 18% बेहतर सटीकता।

यहाँ बताया गया है कि आप इसे एक सप्ताह में खुद कैसे बना सकते हैं।

सामान्य RAG एक बिंदु पर काम करना क्यों बंद कर देता है

ज़्यादातर डेवलपर AI सिस्टम उसी तरह बनाते हैं। उपयोगकर्ता कुछ पूछता है, सिस्टम दस्तावेज़ों में खोज करता है, समान टेक्स्ट टुकड़े ढूँढता है, मॉडल एक जवाब उत्पन्न करता है। सरल सवालों के लिए ठीक काम करता है। जटिल सवालों के लिए पूरी तरह से विफल हो जाता है।

"मार्च में हमारी बिक्री क्यों गिर गई?" पूछने पर सामान्य RAG को "sales" और "March" शब्दों वाले दस्तावेज़ मिल जाते हैं। यह टुकड़े ढूँढता है। यह कारणों की श्रृंखला नहीं ढूँढता।

1सामान्य RAG का जवाब:
2यहाँ 5 दस्तावेज़ हैं जो मार्च में बिक्री का उल्लेख करते हैं।
3
4Graph Engineering का जवाब:
5बिक्री गिर गई क्योंकि रिलीज़ में देरी हुई
6जो एक आपूर्तिकर्ता समस्या के कारण हुई
7जो एक गोदाम की विफलता के कारण शुरू हुई
8जिसने नकारात्मक समीक्षाएँ उत्पन्न कीं
9जिसने रूपांतरण दर को 23% कम कर दिया।

एक ही मॉडल। एक ही डेटा। पूरी तरह से अलग परिणाम - क्योंकि एक सिस्टम टेक्स्ट खोजता है और दूसरा वास्तविक तथ्यों के बीच संबंधों को खोजता है।

यही वह चीज़ है जो Microsoft, Stanford और Anthropic ने स्वतंत्र रूप से पता लगाई। और यही कारण है कि जो डेवलपर इसे समझते हैं, वे बाकी सभी से तेज़ी से आगे बढ़ रहे हैं।

नॉलेज ग्राफ वास्तव में क्या है

एक नॉलेज ग्राफ जानकारी को त्रिक (triples) के रूप में संग्रहीत करता है:

1विषय → संबंध → वस्तु

वास्तविक उदाहरण:

1Kimi K3       → विकसित किया गया → Moonshot AI
2Kimi K3       → संदर्भ विंडो   → 1 मिलियन टोकन
3Microsoft     → बनाया         → GraphRAG
4GraphRAG      → लागत कम करता है → 85%
5Anthropic     → बनाया → Claude
6Claude        → समर्थन करता है → MCP

जानकारी का हर टुकड़ा दो संस्थाओं के बीच एक स्पष्ट संबंध है। टेक्स्ट का एक पैराग्राफ नहीं जिसमें यह जानकारी कहीं हो सकती है - एक संरचित तथ्य जिसे आप सीधे क्वेरी कर सकते हैं।

1सामान्य डेटाबेस:
2कंपनियों की तालिका
3उत्पादों की तालिका
4उनके बीच कोई स्पष्ट संबंध नहीं
5
6नॉलेज ग्राफ:
7कंपनी → बनाया → उत्पाद
8उत्पाद → प्रतिस्पर्धा करता है → अन्य उत्पाद
9अन्य उत्पाद → स्वामित्व में → अन्य कंपनी
10कंपनी → निवेश किया → अन्य कंपनी

ग्राफ सिर्फ तथ्यों को संग्रहीत नहीं करता। यह संग्रहीत करता है कि तथ्य एक-दूसरे से कैसे जुड़े हैं। यही वह चीज़ है जो जटिल तर्क को संभव बनाती है - और जो सामान्य RAG मॉडल चाहे कितना भी अच्छा क्यों न हो, कभी नहीं कर सकता।

Stanford AI Lab नॉलेज ग्राफ को एक संरचित डेटाबेस के रूप में परिभाषित करता है जहाँ जानकारी को विषय-संबंध-वस्तु त्रिक में संस्थाओं और संबंधों के नेटवर्क के रूप में दर्शाया जाता है। सर्च, सिफारिशों और उन कार्यों में उपयोग किया जाता है जहाँ आपको अप्रत्यक्ष संबंध खोजने की आवश्यकता होती है।

ai.stanford.edu/blog/introduction-to-knowledge-graphs

इस आर्किटेक्चर के लिए Kimi K3 सही मॉडल क्यों है

ज़्यादातर मॉडलों में 128,000-200,000 टोकन की संदर्भ विंडो होती है। Kimi K3 के पास एक मिलियन है। यह सिर्फ एक प्रभावशाली संख्या नहीं है - यह विशेष रूप से Graph Engineering के लिए एक आर्किटेक्चरल लाभ है।

एक ग्राफ उप-ग्राफ, साक्ष्य की श्रृंखलाएँ, जुड़ी हुई संस्थाओं की सूचियाँ लौटाता है। यह सब संदर्भ विंडो में जगह लेता है। छोटे संदर्भ के साथ आपको ग्राफ को काटना पड़ता है। एक मिलियन टोकन के साथ ग्राफ का पूरा प्रासंगिक भाग एक सत्र में फिट हो जाता है।

1Kimi K3 आर्किटेक्चर:
22.8 ट्रिलियन कुल पैरामीटर
3MoE में 896 विशेषज्ञ, प्रति टोकन 16 सक्रिय
41,048,576 टोकन संदर्भ विंडो
5मूल छवि विश्लेषण
6लंबे अनुक्रमों के लिए Kimi Delta Attention
7परतों के बीच संकेतों को संरक्षित करने के लिए Attention Residuals

kimi.com/blog/kimi-k3

Kimi Delta Attention एक हाइब्रिड तंत्र है जो लंबे अनुक्रमों के साथ काम करने की लागत को कम करता है। Graph Engineering के लिए इसका मतलब है कि सिस्टम बिना भयावह लागत वृद्धि के मॉडल को बड़े उप-ग्राफ, लंबी साक्ष्य सूचियाँ, दर्जनों दस्तावेज़ और रिपॉजिटरी संरचना पास कर सकता है।

लेकिन एक मिलियन टोकन भी अस्थायी स्मृति है। सत्र के बाद सब कुछ गायब हो जाता है।

11M टोकन संदर्भ   =  प्रति सत्र बड़ी कार्य सतह
2नॉलेज ग्राफ    =  सत्रों के बीच स्थायी संरचित स्मृति

Kimi K3 पैमाना और तर्क देता है। Graph Engineering स्मृति और संरचना देता है। साथ में वे एक ही समय में अलग-अलग समस्याओं का समाधान करते हैं।

दस्तावेज़ 1 - Microsoft GraphRAG

github.com/microsoft/graphrag

arxiv.org/abs/2603.22528

Microsoft ने GraphRAG बनाया और इसे ओपन-सोर्स किया। उनके शोध के आंकड़े सबसे ठोस सबूत हैं जो दिखाते हैं कि Graph Engineering सामान्य RAG की तुलना में वास्तव में क्या देता है।

यह आर्किटेक्चर असंरचित टेक्स्ट को पूर्ण नॉलेज ग्राफ में बदल देता है:

1दस्तावेज़ लोड करें
2↓
3दस्तावेज़ों को चंक करें
4↓
5संस्थाएँ और संबंध निकालें
6↓
7ग्राफ बनाएँ
8↓
9समुदायों का पता लगाएँ
10↓
11समुदाय रिपोर्ट तैयार करें
12↓
13संस्थाओं और रिपोर्टों को एम्बेड करें
14↓
15स्थानीय खोज / वैश्विक खोज

Microsoft से मुख्य अंतर्दृष्टि: सामान्य RAG स्थानीय प्रश्नों का अच्छी तरह से उत्तर देता है - इस विशिष्ट इकाई के बारे में जानकारी खोजें। यह वैश्विक प्रश्नों पर विफल होता है - इन 10,000 दस्तावेज़ों में मुख्य पैटर्न क्या हैं, पूरे डेटासेट में इन घटनाओं को क्या जोड़ता है।

Graph Engineering दोनों का उत्तर देता है।

1स्थानीय खोज  |  मार्च में आपूर्तिकर्ता X के साथ क्या हुआ
2               |  विशिष्ट नोड और उसके कनेक्शन ढूँढता है
3
4वैश्विक खोज  |  हमारे सभी आपूर्तिकर्ता संबंधों में
5               |  मुख्य जोखिम पैटर्न क्या हैं
6               |  पूरे ग्राफ में पैटर्न ढूँढता है

ChatP&ID शोध से वास्तविक आंकड़े:

1सटीकता में सुधार      |  कच्चे दस्तावेज़ दृष्टिकोण से 18% अधिक
2टोकन लागत में कमी      |  सीधे संरचित फ़ाइलें लोड करने से 85% कम
3प्रति कार्य लागत      |  परीक्षण किए गए कॉन्फ़िगरेशन में लगभग $0.004

दस्तावेज़ 2 - LLM और नॉलेज ग्राफ के संयोजन के तीन तरीके

arxiv.org/abs/2306.08302

भाषा मॉडल और नॉलेज ग्राफ के संयोजन पर सबसे मजबूत सैद्धांतिक पेपरों में से एक तीन तरीकों का वर्णन करता है:

1तरीका 1 - KG-वर्धित LLM
2ग्राफ मॉडल को तथ्य और संरचना देता है
3मॉडल बेहतर जवाब उत्पन्न करता है
4
5तरीका 2 - LLM-वर्धित KG
6मॉडल ग्राफ बनाता है, साफ करता है और विस्तारित करता है
7ग्राफ समय के साथ बेहतर होता जाता है
8
9तरीका 3 - समन्वित LLM + KG
10ग्राफ और मॉडल एक-दूसरे को पारस्परिक रूप से बेहतर बनाते हैं
11सबसे शक्तिशाली तरीका

Kimi K3 + Graph Engineering के लिए तीसरा तरीका सबसे अच्छा काम करता है। Kimi K3 नए तथ्य निकालता है और उन्हें ग्राफ में जोड़ता है। ग्राफ Kimi K3 को तर्क के लिए संरचित संदर्भ देता है। चक्र दोहराता है और सिस्टम हर पुनरावृत्ति के साथ बेहतर होता जाता है।

दस्तावेज़ 3 - भाषा मॉडल के लिए संबंधपरक स्मृति

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

MIT Press, कम्प्यूटेशनल भाषाविज्ञान के लिए एसोसिएशन के लेन-देन।

शोध दिखाता है कि जब आप एक भाषा मॉडल को संबंधपरक स्मृति से जोड़ते हैं तो क्या होता है - टेक्स्ट टुकड़ों के बजाय संबंधों का एक नॉलेज ग्राफ।

1टेक्स्ट संदर्भ
2↓
3ग्राफ से प्रासंगिक संबंध निकालें
4↓
5संबंधपरक स्मृति
6↓
7भाषा मॉडल
8↓
9अधिक सुसंगत और सटीक उत्पादन

मुख्य निष्कर्ष: स्पष्ट संबंध संरचनाओं तक पहुँच वाले मॉडल अकेले टेक्स्ट से काम करने वाले मॉडलों की तुलना में अधिक सुसंगत टेक्स्ट उत्पन्न करते हैं और कम तार्किक त्रुटियाँ करते हैं।

यह Graph Engineering के काम करने का वैज्ञानिक स्पष्टीकरण है। मॉडल को टेक्स्ट से संबंधों का अनुमान नहीं लगाना पड़ता। संबंध ग्राफ में स्पष्ट हैं। मॉडल उन्हें सीधे उपयोग करता है।

CC BY 4.0 के तहत प्रकाशित - एट्रिब्यूशन के साथ स्वतंत्र रूप से उपयोग किया जा सकता है।

दस्तावेज़ 4 - नॉलेज ग्राफ इंजीनियरिंग के लिए स्केलिंग लॉ

arxiv.org/abs/2505.16276

शोध जिसने नॉलेज ग्राफ इंजीनियरिंग कार्यों पर 26 ओपन-सोर्स मॉडलों की तुलना की। निष्कर्ष क्षेत्र में सबसे महत्वपूर्ण खोजों में से एक है:

1बड़ा मॉडल + खराब ग्राफ   |  बदतर परिणाम
2छोटा मॉडल + अच्छा ग्राफ |  बेहतर परिणाम

सही ग्राफ बड़े मॉडल को हरा देता है। हर बार।

वही निष्कर्ष जो Microsoft ने GraphRAG और Anthropic ने Claude Code के साथ निकाला - मॉडल के आसपास का सिस्टम मॉडल की तुलना में आउटपुट को अधिक निर्धारित करता है। Graph Engineering उस सिद्धांत का सबसे ठोस कार्यान्वयन है।

दस्तावेज़ 5 - एजेंट-एज़-ए-ग्राफ

arxiv.org/abs/2511.18194

यह पेपर दिखाता है कि कैसे न केवल ज्ञान बल्कि एजेंटों और उपकरणों को ग्राफ में नोड्स के रूप में दर्शाया जाए।

1उपयोगकर्ता प्रश्न
2↓
3क्षमताओं का ग्राफ
4↓
5शोध एजेंट चुनें
6↓
7GitHub टूल चुनें
8↓
9ArXiv टूल चुनें
10↓
11ग्राफ डेटाबेस टूल चुनें
12↓
13Kimi K3 निष्पादन का समन्वय करता है

लेखक LiveMCPBenchmark पर तुलनीय रिट्रीवर्स की तुलना में Recall@5 में 14.9% और nDCG@5 में 14.6% के सुधार की रिपोर्ट करते हैं।

Kimi K3 के लिए इसका मतलब है कि ग्राफ न केवल ज्ञान बल्कि प्रत्येक विशिष्ट कार्य के लिए किस एजेंट और किस उपकरण का उपयोग करना है, यह प्रबंधित कर सकता है।

दस्तावेज़ 6 - Kimi Code और Agent SDK

github.com/MoonshotAI/kimi-code

github.com/MoonshotAI/kimi-agent-sdk

Kimi Code एक टर्मिनल एजेंट है जो यह कर सकता है:

1कोड पढ़ और संपादित कर सकता है
2शेल कमांड चला सकता है
3फ़ाइलें खोज सकता है
4वेब पेज ला सकता है
5प्रत्येक चरण के परिणाम का विश्लेषण कर सकता है
6स्वतंत्र रूप से अगली कार्रवाई चुन सकता है
7MCP का समर्थन करता है
8लाइफसाइकिल हुक
9अनुमोदन मोड

Kimi Agent SDK आपको अपने स्वयं के एजेंट के आधार के रूप में Kimi Code का उपयोग करने देता है। यह Kimi Code से टूल, स्किल और MCP सर्वर कॉन्फ़िगरेशन का पुन: उपयोग करता है।

Graph Engineering के लिए यह एक तैयार निष्पादन परत है। ग्राफ संरचित ज्ञान और तर्क पथ प्रदान करता है। Kimi Code वास्तविक वातावरण में कार्रवाई करता है। SDK सब कुछ एक साथ बांधता है।

पूर्ण सिस्टम आर्किटेक्चर

1चरण 1 - इंजेशन परत
2PDF, वेबसाइट, डेटाबेस, API, Slack, Notion
3↓
4
5चरण 2 - निष्कर्षण परत
6Kimi K3 संस्थाओं और संबंधों को निकालता है
7
8{
9  "entity": "Kimi K3",
10  "type": "AI मॉडल",
11  "relations": [
12    {
13      "predicate": "developed_by",
14      "object": "Moonshot AI",
15      "confidence": 0.98
16    }
17  ]
18}
19
20↓
21
22चरण 3 - समाधान परत
23सिस्टम हल करता है कि क्या ये एक ही इकाई हैं:
24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面
25
26↓
27
28चरण 4 - ग्राफ भंडारण
29Neo4j / Memgraph / Amazon Neptune / PostgreSQL
30
31↓
32
33चरण 5 - पुनर्प्राप्ति परत
34वेक्टर खोज + इकाई खोज + पथ खोज
35समुदाय खोज + लौकिक फ़िल्टरिंग
36
37↓
38
39चरण 6 - एजेंट परत
40Kimi K3:
41दृष्टिकोण की योजना बनाता है
42सही उपकरण चुनता है
43Cypher या SPARQL क्वेरी उत्पन्न करता है
44उप-ग्राफ का विश्लेषण करता है
45वेब शोध चलाता है
46निष्कर्ष निकालता है
47अगले ज्ञान अंतर की पहचान करता है
48
49↓
50
51चरण 7 - सत्यापन परत
52साक्ष्य कवरेज की जाँच करता है
53विरोधाभास ढूँढता है
54आत्मविश्वास का मूल्यांकन करता है
55स्रोतों की पुष्टि करता है
56
57↓
58
59चरण 8 - ग्राफ अद्यतन
60नए तथ्य ग्राफ में जोड़े गए
61विरोधाभास चिह्नित
62पुरानी जानकारी को टाइमस्टैम्प मिलता है

यह एक बंद ज्ञान-क्रिया लूप है। Kimi K3 सिर्फ ग्राफ नहीं पढ़ता। यह पहचानता है कि क्या गायब है, उप-प्रश्न बनाता है, एक नोड या उप-ग्राफ चुनता है, एक खोज चलाता है, परिणाम की जाँच करता है, एक नया तथ्य जोड़ता है और परिकल्पना का पुनर्मूल्यांकन करता है।

पाँच प्रॉम्प्ट जो पूरी पाइपलाइन चलाते हैं

Graph Engineering प्रॉम्प्ट को बदलता नहीं है। यह उन्हें प्रत्येक विशिष्ट चरण में उपयोग करता है।

प्रॉम्प्ट 1 - निष्कर्षण

1सभी संगठनों, लोगों, उत्पादों और घटनाओं को निकालें।
2
3प्रत्येक इकाई के लिए लौटाएँ:
4- canonical_name
5- type
6- description
7- source
8
9प्रत्येक संबंध के लिए लौटाएँ:
10- source_entity
11- relation_type
12- target_entity
13- evidence
14- confidence_score

प्रॉम्प्ट 2 - सामान्यीकरण

1निम्नलिखित संस्थाओं की तुलना करें।
2निर्धारित करें कि क्या वे संदर्भित करते हैं:
3- एक ही इकाई
4- संबंधित लेकिन अलग संस्थाएँ
5- असंबंधित संस्थाएँ
6
7विहित नाम और स्पष्टीकरण लौटाएँ।
8स्पष्ट साक्ष्य के बिना संस्थाओं को मर्ज न करें।

प्रॉम्प्ट 3 - ग्राफ क्वेरी

1उपयोगकर्ता प्रश्न को Cypher क्वेरी में अनुवाद करें।
2केवल स्कीमा में मौजूद संबंधों का उपयोग करें।
3लेबल या गुणों का आविष्कार न करें।
4क्वेरी और तर्क का स्पष्टीकरण लौटाएँ।

प्रॉम्प्ट 4 - आधारित उत्तर

1केवल पुनर्प्राप्त ग्राफ पथों का उपयोग करके उत्तर दें।
2प्रत्येक निष्कर्ष के लिए:
3- सहायक नोड्स की पहचान करें
4- संबंध पथ की पहचान करें
5- अनिश्चितता स्पष्ट रूप से बताएँ
6- सहसंबंध से कार्य-कारण का अनुमान न लगाएँ

प्रॉम्प्ट 5 - ग्राफ रखरखाव

1नए तथ्यों की मौजूदा ग्राफ से तुलना करें।
2प्रत्येक तथ्य को इस प्रकार वर्गीकृत करें:
3- नया
4- डुप्लिकेट
5- विरोधाभास
6- अद्यतन
7- अनिश्चित
8
9साक्ष्य के बिना मौजूदा तथ्यों को अधिलेखित न करें।

पाँच व्यवसाय जो आप इस सिस्टम पर बना सकते हैं

1 - निवेश अनुसंधान

1कंपनी
2├── संस्थापक और उनकी पिछली परियोजनाएँ
3├── निवेशक और उनका पोर्टफोलियो
4├── प्रतिस्पर्धी और उनकी रणनीतियाँ
5├── कानूनी जोखिम
6├── पेटेंट
7├── रणनीति संकेत के रूप में नौकरी के उद्घाटन
8└── समय के साथ वित्तीय मीट्रिक

Kimi K3 रिपोर्ट और समाचार पढ़ता है। ग्राफ कंपनियों, साझा निवेशकों, आपूर्तिकर्ता निर्भरताओं और कार्मिक संकेतों के बीच छिपे संबंधों को दिखाता है। ग्राहक: निवेश कोष, कानूनी फर्म, M&A सलाहकार। प्रति ग्राहक प्रति माह $2,000-10,000।

2 - इंजीनियरिंग इंटेलिजेंस

1GitHub कमिट + Jira टिकट + Linear कार्य
2↓
3इंजीनियरिंग कार्य का ग्राफ
4↓
55x तेज़ घटना का पता लगाना
650% कम बैठक समय
7स्वचालित रिलीज़ नोट्स

anthropic.com/customers/graph

LaunchNotes पहले से ही इसे बेचता है। बाज़ार एक से अधिक प्रोजेक्ट मैनेजमेंट टूल का उपयोग करने वाली हर इंजीनियरिंग टीम है।

3 - वैज्ञानिक अनुसंधान इंजन

1पेपर → लेखक → संस्थान → विधि → डेटासेट → परिणाम
2↓
3कौन सी GraphRAG विधियाँ समुदाय का पता लगाने का उपयोग करती हैं,
4किन डेटासेट पर उनका परीक्षण किया गया
5और कौन से पेपर एक-दूसरे का खंडन करते हैं

सामान्य खोज दस्तावेज़ों की एक सूची देती है। एक ग्राफ सिस्टम साक्ष्य और विरोधाभासों का नक्शा बनाता है।

4 - साइबर सुरक्षा खतरा ग्राफ

1IP → डोमेन → प्रमाणपत्र → मैलवेयर → अभियान → अभिनेता
2↓
3Kimi K3 खतरे की रिपोर्ट का विश्लेषण करता है
4स्रोतों भर में संकेतकों का मानचित्रण करता है
5हमले के पथों की व्याख्या करता है
6खतरे के ग्राफ को स्वचालित रूप से अपडेट करता है

5 - व्यक्तिगत ज्ञान OS

1लोग ↔ बैठकें ↔ परियोजनाएँ ↔ दस्तावेज़ ↔ निर्णय ↔ वादे
2↓
3प्रश्न जिनका Kimi K3 उत्तर दे सकता है:
4इस कार्य को कौन रोक रहा है?
5हमने क्या निर्णय लिया और वह किस पर आधारित था?
6मैंने इस महीने क्या करने का वादा किया था?
7कौन सी पुरानी मान्यताएँ अब मान्य नहीं हैं?

इस सप्ताह कहाँ से शुरू करें

1दिन 1  |  Neo4j को स्थानीय रूप से स्थापित करें
2       |  DSPy README पढ़ें
3       |  github.com/stanfordnlp/dspy
4       |  प्रॉम्प्टिंग और सिस्टम को प्रोग्राम करने
5       |  के बीच अंतर समझें
6
7दिन 2  |  दस्तावेज़ों का एक सेट लें
8       |  API के माध्यम से Kimi K3 चलाएँ
9       |  पहली संस्थाएँ और संबंध निकालें
10       |  Neo4j में सहेजें
11
12दिन 3  |  पहली पुनर्प्राप्ति परत बनाएँ
13       |  वेक्टर खोज और ग्राफ खोज को मिलाएँ
14       |  एक जटिल प्रश्न पर परीक्षण करें जिसका RAG उत्तर नहीं दे सकता
15
16दिन 4  |  MCP के माध्यम से Kimi Code कनेक्ट करें
17       |  github.com/MoonshotAI/kimi-code
18       |  एजेंट को ग्राफ पढ़ने और नए तथ्य जोड़ने दें
19       |  पहला ज्ञान-क्रिया लूप चलाएँ
20
21दिन 5  |  परिणाम मापें
22       |  सामान्य RAG बनाम सटीकता की तुलना करें
23       |  टोकन लागत की तुलना करें
24       |  पहला वास्तविक ग्राहक उपयोग मामला खोजें

Microsoft, Stanford और Anthropic ने एक साथ क्या पता लगाया

1Microsoft GraphRAG    |  ग्राफ लागत 85% कम करता है, सटीकता 18% सुधारता है
2Stanford DSPy         |  मॉडल ग्राफ में एक नोड है, केंद्र नहीं
3Stanford स्केलिंग लॉ |  छोटा मॉडल + अच्छा ग्राफ बड़े मॉडल को हराता है
4MIT Press शोध        |  स्पष्ट संबंध सुसंगतता और सटीकता में सुधार करते हैं
5Anthropic LaunchNotes |  5x तेज़ घटना का पता लगाना, 50% कम बैठक समय

Kimi K3 इंजन है। Graph Engineering नक्शा, स्मृति और समन्वय प्रणाली है। इंजन के बिना ग्राफ कार्य नहीं करता। ग्राफ के बिना इंजन बहुत तेज़ चलता है लेकिन हमेशा नहीं जानता कि वह कहाँ जा रहा है।

ज़्यादातर डेवलपर सामान्य RAG बनाते रहेंगे और सोचते रहेंगे कि जटिल प्रश्न खराब उत्तर क्यों देते हैं। कुछ लोग एक सप्ताह ग्राफ सिस्टम बनाने में बिताएँगे और फिर कभी टेक्स्ट खोजने पर वापस नहीं जाएँगे।

आप अपना जीवन खुद बनाते हैं - इसलिए सही रास्ता चुनें।

/ अगर यह उपयोगी था - फॉलो करें /