La maggior parte delle persone usa l'AI come un costoso motore di ricerca. Apri una chat, fai una domanda, ottieni una risposta, chiudi la scheda. Il giorno dopo ricominci da zero perché l'AI non ricorda nulla.
Ma ci sono sviluppatori che guadagnano 10.000-20.000 dollari al mese semplicemente perché il loro sistema AI risponde il doppio più velocemente, dà risposte più accurate e costa l'85% in meno rispetto ai loro concorrenti. Non stanno usando un modello segreto. Hanno costruito l'architettura giusta attorno a un modello normale.
Si chiama Kimi K3 + Graph Engineering. Microsoft ha passato anni a dimostrare che funziona: costi inferiori dell'85%, precisione migliorata del 18%.
Ecco come costruirlo da zero in una settimana.
Perché la RAG normale smette di funzionare a un certo punto
La maggior parte degli sviluppatori costruisce sistemi AI allo stesso modo. L'utente chiede qualcosa, il sistema cerca nei documenti, trova frammenti di testo simili, il modello genera una risposta. Funziona bene per domande semplici. Crolla completamente per quelle complesse.
Chiedi "perché le nostre vendite sono calate a marzo?" e la RAG normale trova documenti con le parole "vendite" e "marzo." Trova frammenti. Non trova la catena di cause.
1Risposta RAG normale:2Ecco 5 documenti che menzionano le vendite a marzo.34Risposta Graph Engineering:5Le vendite sono calate a causa di un ritardo nel rilascio6causato da un problema del fornitore7innescato da un guasto al magazzino8che ha generato recensioni negative9che hanno ridotto la conversione del 23%.
Stesso modello. Stessi dati. Risultato completamente diverso - perché un sistema cerca testo e l'altro cerca connessioni tra fatti reali.
Questo è ciò che Microsoft, Stanford e Anthropic hanno scoperto indipendentemente. Ed è il motivo per cui gli sviluppatori che lo capiscono si stanno muovendo più velocemente di tutti gli altri.
Cos'è realmente un grafo di conoscenza
Un grafo di conoscenza memorizza le informazioni come triple:
1Soggetto → Relazione → Oggetto
Esempi reali:
1Kimi K3 → sviluppato da → Moonshot AI2Kimi K3 → finestra di contesto → 1 milione di token3Microsoft → ha costruito → GraphRAG4GraphRAG → riduce i costi del → 85%5Anthropic → ha creato → Claude6Claude → supporta → MCP
Ogni informazione è una connessione esplicita tra due entità. Non un paragrafo di testo che potrebbe contenere queste informazioni da qualche parte - un fatto strutturato che puoi interrogare direttamente.
1Database normale:2Tabella delle aziende3Tabella dei prodotti4Nessuna connessione esplicita tra 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 connettono tra loro. Questo è ciò che rende possibile il ragionamento complesso - e ciò che la RAG normale non potrà mai fare, indipendentemente da quanto sia buono il modello.
Lo Stanford AI Lab definisce un grafo di conoscenza come un database strutturato in cui le informazioni sono rappresentate come una rete di entità e relazioni in triple soggetto-relazione-oggetto. Utilizzato nella ricerca, nei consigli e in attività in cui è necessario trovare connessioni indirette.
Perché Kimi K3 è il modello giusto per questa architettura
La maggior parte dei modelli ha finestre di contesto da 128.000 a 200.000 token. Kimi K3 ne ha un milione. Non è solo un numero impressionante - è un vantaggio architetturale specifico per il Graph Engineering.
Un grafo restituisce sottografi, catene di prove, elenchi di entità connesse. Tutto questo occupa spazio nella finestra di contesto. Con un contesto piccolo devi tagliare il grafo. Con un milione di token, l'intera parte rilevante del grafo entra in una singola sessione.
1Architettura di Kimi K3:22,8 trilioni di parametri totali3896 esperti in MoE, 16 attivi per token4Finestra di contesto di 1.048.576 token5Analisi nativa delle immagini6Kimi Delta Attention per sequenze lunghe7Attention Residuals per preservare i segnali tra i livelli
Kimi Delta Attention è un meccanismo ibrido che riduce il costo di lavorare con sequenze lunghe. Per il Graph Engineering, questo significa che il sistema può passare al modello grandi sottografi, lunghi elenchi di prove, dozzine di documenti e la struttura del repository senza aumenti di costo catastrofici.
Ma anche un milione di token è memoria temporanea. Dopo la sessione, tutto scompare.
1Contesto da 1M token = ampia superficie di lavoro per sessione2Grafo di conoscenza = memoria strutturata permanente tra le sessioni
Kimi K3 fornisce scala e ragionamento. Graph Engineering fornisce memoria e struttura. Insieme risolvono problemi diversi contemporaneamente.
Documento 1 - Microsoft GraphRAG
Microsoft ha costruito GraphRAG e lo ha reso open source. I numeri della loro ricerca sono la prova più concreta disponibile di ciò che Graph Engineering offre realmente rispetto alla RAG normale.
L'architettura converte il testo non strutturato in un grafo di conoscenza completo:
1Carica documenti2↓3Dividi in chunk4↓5Estrai entità e relazioni6↓7Costruisci grafo8↓9Rileva comunità10↓11Genera report di comunità12↓13Embed entità e report14↓15Ricerca Locale / Ricerca Globale
Intuizione chiave di Microsoft: la RAG normale risponde bene a domande locali - trova informazioni su questa specifica entità. Fallisce sulle domande globali - quali sono i modelli principali in questi 10.000 documenti, cosa collega questi eventi nell'intero dataset.
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 modelli di rischio5 | in tutte le nostre relazioni con i fornitori6 | trova modelli nell'intero grafo
Numeri reali dalla ricerca ChatP&ID:
1Miglioramento della precisione | 18% superiore rispetto all'approccio a documenti grezzi2Riduzione del costo dei token | 85% inferiore rispetto al caricamento diretto di file strutturati3Costo per attività | circa $0,004 nella configurazione testata
Documento 2 - Tre modalità di combinazione tra LLM e Grafo di Conoscenza
Uno dei documenti teorici più solidi sulla combinazione di modelli linguistici e grafi di conoscenza descrive tre modalità:
1Modalità 1 - LLM potenziato da KG2Il grafo fornisce fatti e struttura al modello3Il modello genera risposte migliori45Modalità 2 - KG potenziato da LLM6Il modello crea, pulisce ed espande il grafo7Il grafo migliora nel tempo89Modalità 3 - LLM + KG sinergizzati10Grafo e modello si migliorano a vicenda11Modalità più potente
Per Kimi K3 + Graph Engineering, la terza modalità funziona meglio. Kimi K3 estrae nuovi fatti e li aggiunge al grafo. Il grafo fornisce a Kimi K3 un contesto strutturato per il ragionamento. Il ciclo si ripete e il sistema migliora a ogni iterazione.
Documento 3 - Memoria Relazionale per modelli linguistici
MIT Press, Transactions of the Association for Computational Linguistics.
La ricerca mostra cosa succede quando colleghi un modello linguistico a una memoria relazionale - un grafo di conoscenza di relazioni invece di frammenti di testo.
1Contesto testuale2↓3Estrai relazioni rilevanti dal grafo4↓5Memoria Relazionale6↓7Modello linguistico8↓9Generazione più coerente e accurata
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 dedurre le relazioni dal testo. Le relazioni sono esplicite nel grafo. Il modello le usa direttamente.
Pubblicato sotto CC BY 4.0 - può essere utilizzato liberamente con attribuzione.
Documento 4 - Leggi di Scala per l'Ingegneria dei Grafi di Conoscenza
Ricerca che ha confrontato 26 modelli open-source su compiti di ingegneria dei grafi di conoscenza. La conclusione è una delle scoperte più importanti del settore:
1Modello più grande + grafo scadente | risultati peggiori2Modello più piccolo + grafo buono | risultati migliori
Il grafo giusto batte il modello più grande. Ogni volta.
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 5 - Agente come Grafo
Questo documento mostra come rappresentare non solo la conoscenza, ma anche agenti e strumenti come nodi in un grafo.
1Domanda dell'utente2↓3Grafo delle capacità4↓5Seleziona agente di ricerca6↓7Seleziona strumento GitHub8↓9Seleziona strumento ArXiv10↓11Seleziona strumento database grafo12↓13Kimi K3 coordina l'esecuzione
Gli autori riportano un miglioramento Recall@5 del 14,9% e nDCG@5 del 14,6% rispetto a recuperatori comparabili su LiveMCPBenchmark.
Per Kimi K3, ciò significa che il grafo può gestire non solo la conoscenza, ma anche quale agente e quale strumento utilizzare per ogni attività specifica.
Documento 6 - Kimi Code e Agent SDK
Kimi Code è un agente terminale che può:
1Leggere e modificare codice2Eseguire comandi shell3Cercare file4Recuperare pagine web5Analizzare il risultato di ogni passaggio6Scegliere autonomamente l'azione successiva7Supporta MCP8Hook del ciclo di vita9Modalità di approvazione
Kimi Agent SDK ti permette di usare Kimi Code come base per il tuo agente. Riutilizza gli strumenti, le competenze e la configurazione del server MCP di Kimi Code.
Per il Graph Engineering, questo è un livello di esecuzione già pronto. Il grafo fornisce conoscenza strutturata e percorsi di ragionamento. Kimi Code agisce nell'ambiente reale. L'SDK tiene tutto insieme.
L'architettura completa del sistema
1Passaggio 1 - Livello di Ingestione2PDF, siti web, database, API, Slack, Notion3↓45Passaggio 2 - Livello di Estrazione6Kimi K3 estrae entità e relazioni78{9 "entity": "Kimi K3",10 "type": "Modello AI",11 "relations": [12 {13 "predicate": "sviluppato_da",14 "object": "Moonshot AI",15 "confidence": 0.9816 }17 ]18}1920↓2122Passaggio 3 - Livello di Risoluzione23Il sistema risolve se si tratta della stessa entità:24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面2526↓2728Passaggio 4 - Archiviazione del Grafo29Neo4j / Memgraph / Amazon Neptune / PostgreSQL3031↓3233Passaggio 5 - Livello di Recupero34Ricerca vettoriale + Ricerca entità + Ricerca percorsi35Ricerca comunità + Filtraggio temporale3637↓3839Passaggio 6 - Livello Agente40Kimi K3:41Pianifica l'approccio42Sceglie lo strumento giusto43Genera query Cypher o SPARQL44Analizza il sottografo45Esegue ricerche web46Trae conclusioni47Identifica il prossimo gap di conoscenza4849↓5051Passaggio 7 - Livello di Verifica52Controlla la copertura delle prove53Trova contraddizioni54Valuta la confidenza55Verifica le fonti5657↓5859Passaggio 8 - Aggiornamento del Grafo60Nuovi fatti aggiunti al grafo61Contraddizioni segnalate62Informazioni vecchie ottengono un timestamp
Questo è un ciclo chiuso conoscenza-azione. Kimi K3 non si limita a leggere il grafo. Identifica cosa manca, formula sotto-domande, seleziona un nodo o sottografo, esegue una ricerca, controlla il risultato, aggiunge un nuovo fatto e rivaluta l'ipotesi.
Cinque prompt che gestiscono l'intera pipeline
Graph Engineering non sostituisce i prompt. Li utilizza in ogni fase specifica.
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- prova14- punteggio_confidenza
Prompt 2 - Normalizzazione
1Confronta le seguenti entità.2Determina se si riferiscono a:3- la stessa entità4- entità correlate ma diverse5- entità non correlate67Restituisci il nome canonico e la spiegazione.8Non unire entità senza prove chiare.
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 la spiegazione della logica.
Prompt 4 - Risposta Fondata
1Rispondi usando solo i percorsi del grafo recuperati.2Per ogni conclusione:3- identifica i nodi di supporto4- identifica il percorso di relazione5- dichiara chiaramente l'incertezza6- 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 i fatti esistenti senza prove.
Cinque attività che puoi costruire su questo sistema
1 - Ricerca per Investimenti
1Azienda2├── fondatori e i loro progetti precedenti3├── investitori e il loro portafoglio4├── concorrenti e le loro strategie5├── rischi legali6├── brevetti7├── offerte di lavoro come segnale strategico8└── metriche finanziarie nel tempo
Kimi K3 legge report e notizie. Il grafo mostra connessioni nascoste tra aziende, investitori condivisi, dipendenze dai fornitori e segnali del personale. Clienti: fondi di investimento, studi legali, consulenti M&A. $2.000-10.000 per cliente al mese.
2 - Intelligenza Ingegneristica
1Commit GitHub + Ticket Jira + Attività Linear2↓3Grafo del Lavoro Ingegneristico4↓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 utilizza più di uno strumento di project management.
3 - Motore di Ricerca Scientifica
1Articolo → autore → istituzione → metodo → dataset → risultato2↓3Quali metodi GraphRAG usano il rilevamento di comunità,4su quali dataset sono stati testati5e quali articoli si contraddicono a vicenda
La ricerca normale dà un elenco di documenti. Un sistema a grafo costruisce una mappa di prove e contraddizioni.
4 - Grafo delle Minacce Informatiche
1IP → dominio → certificato → malware → campagna → attore2↓3Kimi K3 analizza i report sulle minacce4Mappa gli indicatori tra le fonti5Spiega i percorsi di attacco6Aggiorna automaticamente il grafo delle minacce
5 - Sistema Operativo di Conoscenza Personale
1Persone ↔ Riunioni ↔ Progetti ↔ Documenti ↔ Decisioni ↔ Promesse2↓3Domande a cui Kimi K3 può rispondere:4Chi sta bloccando questa attività?5Che decisione abbiamo preso e su cosa si basava?6Cosa ho promesso di fare questo mese?7Quali vecchie ipotesi non sono più valide?
Da dove iniziare questa settimana
1Giorno 1 | installa Neo4j localmente2 | leggi il README di DSPy3 | github.com/stanfordnlp/dspy4 | capisci la differenza tra prompting5 | e programmare un sistema67Giorno 2 | prendi una serie di documenti8 | esegui Kimi K3 tramite API9 | estrai le prime entità e relazioni10 | salva in Neo4j1112Giorno 3 | costruisci il primo livello di recupero13 | combina ricerca vettoriale e ricerca sul grafo14 | testa su una domanda complessa a cui la RAG non sa rispondere1516Giorno 4 | collega Kimi Code tramite MCP17 | github.com/MoonshotAI/kimi-code18 | lascia che l'agente legga il grafo e aggiunga nuovi fatti19 | esegui il primo ciclo conoscenza-azione2021Giorno 5 | misura il risultato22 | confronta la precisione rispetto alla RAG normale23 | confronta i costi dei token24 | trova il primo caso d'uso reale per un cliente
Cosa hanno scoperto insieme Microsoft, Stanford e Anthropic
1Microsoft GraphRAG | il grafo taglia i costi dell'85%, migliora la precisione del 18%2Stanford DSPy | il modello è un nodo in un grafo, non il centro3Stanford Scaling Laws | modello più piccolo + grafo buono batte modello più grande4MIT Press Research | le relazioni esplicite migliorano coerenza e precisione5Anthropic LaunchNotes | rilevamento incidenti 5x più veloce, 50% meno tempo in riunioni
Kimi K3 è il motore. Graph Engineering è la mappa, la memoria e il sistema di coordinate. Senza il motore, il grafo non agisce. Senza il grafo, il motore si muove molto velocemente ma non sempre sa dove sta andando.
La maggior parte degli sviluppatori continuerà a costruire RAG normale e si chiederà perché le domande complesse diano risposte scadenti. Alcuni passeranno una settimana a costruire un sistema a grafo e non torneranno mai più a cercare testo.
Costruisci la tua vita - quindi scegli la strada giusta.
/ Se questo è stato utile - seguimi /
![[Memo] I capi stanno tagliando i ponti con i subordinati meno performanti](/cdn-cgi/image/width=1920,quality=90,format=auto,metadata=none/https%3A%2F%2Fcms-assets.youmind.com%2Fmedia%2F1784827522698_408j7z_HN3Kb76awAAvvjF.jpg)
