Kimi K3 + Graph Engineering: %85 Daha Düşük Token Maliyeti ve %18 Daha İyi Doğruluk

Çoğu insan yapay zekayı pahalı bir arama motoru gibi kullanıyor. Bir sohbet açıyor, soru soruyor, cevap alıyor, sekmeyi kapatıyor. Ertesi gün sıfırdan başlıyorlar çünkü yapay zeka hiçbir şey hatırlamıyor.

Ama ayda 10.000-20.000 dolar kazanan geliştiriciler var, sırf yapay zeka sistemleri rakiplerinden iki kat hızlı yanıt veriyor, daha doğru cevaplar üretiyor ve %85 daha az maliyetli olduğu için. Gizli bir model kullanmıyorlar. Sıradan bir modelin etrafına doğru mimariyi inşa ettiler.

Buna Kimi K3 + Graph Engineering deniyor. Microsoft bunun işe yaradığını kanıtlamak için yıllar harcadı - %85 daha düşük maliyet, %18 daha iyi doğruluk.

İşte bunu sıfırdan bir haftada nasıl inşa edeceğiniz.

Normal RAG'ın bir noktada neden çalışmayı bıraktığı

Çoğu geliştirici yapay zeka sistemlerini aynı şekilde kurar. Kullanıcı bir şey sorar, sistem belgeleri tarar, benzer metin parçalarını bulur, model bir cevap üretir. Basit sorular için iyi çalışır. Karmaşık sorularda tamamen çöker.

"Satışlarımız Mart'ta neden düştü?" diye sorun, normal RAG "satış" ve "Mart" kelimelerini içeren belgeleri bulur. Parçaları bulur. Nedenler zincirini bulamaz.

1Normal RAG cevabı:
2İşte Mart ayında satışlardan bahseden 5 belge.
3
4Graph Engineering cevabı:
5Satışlar, bir tedarikçi sorunundan
6kaynaklanan teslimat gecikmesi nedeniyle düştü,
7bu da bir depo arızasından kaynaklandı,
8bu da olumsuz yorumlara yol açtı,
9bu da dönüşüm oranını %23 düşürdü.

Aynı model. Aynı veri. Tamamen farklı sonuç - çünkü bir sistem metni ararken, diğeri gerçek bilgiler arasındaki bağlantıları arar.

Microsoft, Stanford ve Anthropic'in bağımsız olarak keşfettiği şey bu. Ve bunu anlayan geliştiricilerin herkesten daha hızlı ilerlemesinin nedeni de bu.

Bilgi grafiği aslında nedir

Bir bilgi grafiği, bilgiyi üçlüler halinde saklar:

1Özne → İlişki → Nesne

Gerçek örnekler:

1Kimi K3       → geliştiren          → Moonshot AI
2Kimi K3       → bağlam penceresi    → 1 milyon token
3Microsoft     → inşa etti           → GraphRAG
4GraphRAG      → maliyeti düşürür    → %85
5Anthropic     → oluşturdu           → Claude
6Claude        → destekler           → MCP

Her bilgi parçası, iki varlık arasında açık bir bağlantıdır. Bu bilgiyi bir yerlerde içerebilecek bir metin paragrafı değil - doğrudan sorgulayabileceğiniz yapılandırılmış bir bilgi.

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

Grafik sadece bilgileri saklamaz. Bilgilerin birbirine nasıl bağlandığını da saklar. Karmaşık akıl yürütmeyi mümkün kılan şey budur - ve normal RAG'ın model ne kadar iyi olursa olsun asla yapamayacağı şeydir.

Stanford AI Lab, bilgi grafiğini, bilginin özne-ilişki-nesne üçlüleri halinde varlıklar ve ilişkiler ağı olarak temsil edildiği yapılandırılmış bir veritabanı olarak tanımlar. Dolaylı bağlantılar bulmanız gereken arama, öneriler ve görevlerde kullanılır.

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

Kimi K3'ün bu mimari için neden doğru model olduğu

Çoğu modelin 128.000-200.000 token bağlam penceresi vardır. Kimi K3'ün ise bir milyon token. Bu sadece etkileyici bir sayı değil - özellikle Graph Engineering için mimari bir avantaj.

Bir grafik, alt grafikler, kanıt zincirleri, bağlantılı varlık listeleri döndürür. Tüm bunlar bağlam penceresinde yer kaplar. Küçük bir bağlamla grafiği kesmek zorunda kalırsınız. Bir milyon token ile grafiğin ilgili kısmının tamamı tek bir oturuma sığar.

1Kimi K3 mimarisi:
22,8 trilyon toplam parametre
3MoE'de 896 uzman, token başına 16 aktif
41.048.576 token bağlam penceresi
5Yerel görüntü analizi
6Uzun diziler için Kimi Delta Attention
7Katmanlar arasında sinyalleri korumak için Attention Residuals

kimi.com/blog/kimi-k3

Kimi Delta Attention, uzun dizilerle çalışmanın maliyetini azaltan hibrit bir mekanizmadır. Graph Engineering için bu, sistemin modele büyük alt grafikler, uzun kanıt listeleri, düzinelerce belge ve depo yapısını felaket maliyet artışları olmadan iletebileceği anlamına gelir.

Ancak bir milyon token bile geçici bir hafızadır. Oturumdan sonra her şey kaybolur.

11M token bağlam   =  oturum başına geniş çalışma yüzeyi
2Bilgi grafiği      =  oturumlar arasında kalıcı yapılandırılmış hafıza

Kimi K3 ölçek ve akıl yürütme sağlar. Graph Engineering hafıza ve yapı sağlar. Birlikte aynı anda farklı sorunları çözerler.

Belge 1 - Microsoft GraphRAG

github.com/microsoft/graphrag

arxiv.org/abs/2603.22528

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

Mimari, yapılandırılmamış metni tam bir bilgi grafiğine dönüştürür:

1Belgeleri yükle
2↓
3Belgeleri parçalara ayır
4↓
5Varlıkları ve ilişkileri çıkar
6↓
7Grafiği oluştur
8↓
9Toplulukları tespit et
10↓
11Topluluk raporları oluştur
12↓
13Varlıkları ve raporları göm
14↓
15Yerel Arama / Küresel Arama

Microsoft'tan temel içgörü: normal RAG yerel soruları iyi yanıtlar - bu belirli varlık hakkında bilgi bulur. Küresel sorularda başarısız olur - bu 10.000 belge arasındaki ana kalıplar nelerdir, bu olayları tüm veri kümesi boyunca birbirine bağlayan şey nedir.

Graph Engineering her ikisini de yanıtlar.

1Yerel Arama   |  Mart'ta tedarikçi X'e ne oldu
2               |  belirli düğümü ve bağlantılarını bulur
3
4Küresel Arama  |  tüm tedarikçi ilişkilerimizdeki
5               |  ana risk kalıpları nelerdir
6               |  grafiğin tamamındaki kalıpları bulur

ChatP&ID araştırmasından gerçek rakamlar:

1Doğruluk iyileştirmesi      |  ham belge yaklaşımına göre %18 daha yüksek
2Token maliyet düşüşü        |  yapılandırılmış dosyaları doğrudan yüklemeye göre %85 daha düşük
3Görev başına maliyet         |  test edilen konfigürasyonda yaklaşık 0,004 $

Belge 2 - LLM ve Bilgi Grafiğini Birleştirmenin Üç Modu

arxiv.org/abs/2306.08302

Dil modelleri ve bilgi grafiklerini birleştirme üzerine en güçlü teorik makalelerden biri üç modu tanımlar:

1Mod 1 - KG ile Geliştirilmiş LLM
2Grafik modele bilgi ve yapı verir
3Model daha iyi cevaplar üretir
4
5Mod 2 - LLM ile Genişletilmiş KG
6Model grafiği oluşturur, temizler ve genişletir
7Grafik zamanla iyileşir
8
9Mod 3 - Sinerjize LLM + KG
10Grafik ve model birbirini karşılıklı olarak iyileştirir
11En güçlü mod

Kimi K3 + Graph Engineering için üçüncü mod en iyi şekilde çalışır. Kimi K3 yeni bilgiler çıkarır ve bunları grafiğe ekler. Grafik, Kimi K3'e akıl yürütme için yapılandırılmış bağlam sağlar. Döngü tekrarlanır ve sistem her yinelemede daha iyi hale gelir.

Belge 3 - Dil Modelleri için İlişkisel Bellek

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

MIT Press, Hesaplamalı Dilbilim Derneği İşlemleri.

Araştırma, bir dil modelini ilişkisel belleğe - metin parçaları yerine ilişkilerden oluşan bir bilgi grafiği - bağladığınızda ne olduğunu gösteriyor.

1Metin bağlamı
2↓
3Grafikten ilgili ilişkileri çıkar
4↓
5İlişkisel Bellek
6↓
7Dil modeli
8↓
9Daha tutarlı ve doğru üretim

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

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

CC BY 4.0 lisansı altında yayınlanmıştır - atıf yapılarak serbestçe kullanılabilir.

Belge 4 - Bilgi Grafiği Mühendisliği için Ölçekleme Yasaları

arxiv.org/abs/2505.16276

Bilgi grafiği mühendisliği görevlerinde 26 açık kaynak modeli karşılaştıran araştırma. Sonuç, alandaki en önemli bulgulardan biridir:

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

Doğru grafik, daha büyük modeli her zaman yener.

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

Belge 5 - Grafik Olarak Ajan

arxiv.org/abs/2511.18194

Bu makale, yalnızca bilgiyi değil, ajanları ve araçları da bir grafikte düğümler olarak nasıl temsil edeceğinizi gösterir.

1Kullanıcı sorusu
2↓
3Yetenek grafiği
4↓
5Araştırma ajanını seç
6↓
7GitHub aracını seç
8↓
9ArXiv aracını seç
10↓
11Grafik veritabanı aracını seç
12↓
13Kimi K3 yürütmeyi koordine eder

Yazarlar, LiveMCPBenchmark'da karşılaştırılabilir alıcılara karşı Recall@5'te %14,9 ve nDCG@5'te %14,6 iyileşme bildirmektedir.

Kimi K3 için bu, grafiğin yalnızca bilgiyi değil, her belirli görev için hangi ajanı ve hangi aracı kullanacağını da yönetebileceği anlamına gelir.

Belge 6 - Kimi Code ve Ajan SDK'sı

github.com/MoonshotAI/kimi-code

github.com/MoonshotAI/kimi-agent-sdk

Kimi Code, şunları yapabilen bir terminal ajanıdır:

1Kodu okur ve düzenler
2Kabuk komutlarını çalıştırır
3Dosyaları arar
4Web sayfalarını getirir
5Her adımın sonucunu analiz eder
6Bağımsız olarak sonraki eylemi seçer
7MCP'yi destekler
8Yaşam döngüsü kancaları
9Onay modları

Kimi Agent SDK, kendi ajanınızın temeli olarak Kimi Code'u kullanmanızı sağlar. Kimi Code'dan araçları, becerileri ve MCP sunucu yapılandırmasını yeniden kullanır.

Graph Engineering için bu, hazır bir yürütme katmanıdır. Grafik, yapılandırılmış bilgi ve akıl yürütme yolları sağlar. Kimi Code, gerçek ortamda eylemler gerçekleştirir. SDK her şeyi birbirine bağlar.

Tam sistem mimarisi

1Adım 1 - Alım Katmanı
2PDF'ler, web siteleri, veritabanları, API'ler, Slack, Notion
3↓
4
5Adım 2 - Çıkarma Katmanı
6Kimi K3 varlıkları ve ilişkileri çıkarır
7
8{
9  "entity": "Kimi K3",
10  "type": "AI modeli",
11  "relations": [
12    {
13      "predicate": "geliştiren",
14      "object": "Moonshot AI",
15      "confidence": 0.98
16    }
17  ]
18}
19
20↓
21
22Adım 3 - Çözümleme Katmanı
23Sistem bunların aynı varlık olup olmadığını çözer:
24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面
25
26↓
27
28Adım 4 - Grafik Depolama
29Neo4j / Memgraph / Amazon Neptune / PostgreSQL
30
31↓
32
33Adım 5 - Alım Katmanı
34Vektör arama + Varlık arama + Yol arama
35Topluluk arama + Zamansal filtreleme
36
37↓
38
39Adım 6 - Ajan Katmanı
40Kimi K3:
41Yaklaşımı planlar
42Doğru aracı seçer
43Cypher veya SPARQL sorguları oluşturur
44Alt grafiği analiz eder
45Web araştırması yapar
46Sonuçlar çıkarır
47Sonraki bilgi boşluğunu belirler
48
49↓
50
51Adım 7 - Doğrulama Katmanı
52Kanıt kapsamını kontrol eder
53Çelişkileri bulur
54Güveni değerlendirir
55Kaynakları doğrular
56
57↓
58
59Adım 8 - Grafik Güncelleme
60Grafiğe yeni bilgiler eklenir
61Çelişkiler işaretlenir
62Eski bilgilere zaman damgası eklenir

Bu, kapalı bir bilgi-eylem döngüsüdür. Kimi K3 grafiği yalnızca okumaz. Neyin eksik olduğunu belirler, alt sorular oluşturur, bir düğüm veya alt grafik seçer, bir arama yapar, sonucu kontrol eder, yeni bir bilgi ekler ve hipotezi yeniden değerlendirir.

Tüm hattı çalıştıran beş prompt

Graph Engineering, prompt'ların yerini almaz. Her aşamada onları kullanır.

Prompt 1 - Çıkarma

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

Prompt 2 - Normalleştirme

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

Prompt 3 - Grafik Sorgulama

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

Prompt 4 - Temellendirilmiş Cevap

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

Prompt 5 - Grafik Bakımı

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

Bu sistem üzerine inşa edebileceğiniz beş iş

1 - Yatırım Araştırması

1Şirket
2├── kurucular ve önceki projeleri
3├── yatırımcılar ve portföyleri
4├── rakipler ve stratejileri
5├── yasal riskler
6├── patentler
7├── strateji sinyali olarak iş ilanları
8└── zaman içindeki finansal metrikler

Kimi K3 raporları ve haberleri okur. Grafik, şirketler arasındaki gizli bağlantıları, ortak yatırımcıları, tedarikçi bağımlılıklarını ve personel sinyallerini gösterir. Müşteriler: yatırım fonları, hukuk firmaları, birleşme ve satın alma danışmanları. Müşteri başına aylık 2.000-10.000 $.

2 - Mühendislik İstihbaratı

1GitHub commit'leri + Jira ticket'ları + Linear görevleri
2↓
3Mühendislik Grafiği
4↓
55 kat daha hızlı olay tespiti
6%50 daha az toplantı süresi
7Otomatik sürüm notları

anthropic.com/customers/graph

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

3 - Bilimsel Araştırma Motoru

1Makale → yazar → kurum → yöntem → veri seti → sonuç
2↓
3Hangi GraphRAG yöntemleri topluluk tespiti kullanıyor,
4hangi veri setlerinde test edildiler
5ve hangi makaleler birbiriyle çelişiyor

Normal arama bir belge listesi verir. Bir grafik sistemi, bir kanıt ve çelişki haritası oluşturur.

4 - Siber Güvenlik Tehdit Grafiği

1IP → alan adı → sertifika → kötü amaçlı yazılım → kampanya → aktör
2↓
3Kimi K3 tehdit raporlarını analiz eder
4Göstergeleri kaynaklar arasında eşler
5Saldırı yollarını açıklar
6Tehdit grafiğini otomatik olarak günceller

5 - Kişisel Bilgi İşletim Sistemi

1Kişiler ↔ Toplantılar ↔ Projeler ↔ Belgeler ↔ Kararlar ↔ Sözler
2↓
3Kimi K3'ün cevaplayabildiği sorular:
4Bu görevi kim engelliyor?
5Hangi kararı verdik ve neye dayanıyordu?
6Bu ay ne yapacağıma söz verdim?
7Hangi eski varsayımlar artık geçerli değil?

Bu hafta nereden başlamalı

11. Gün  |  Neo4j'yi yerel olarak kur
2       |  DSPy README'yi oku
3       |  github.com/stanfordnlp/dspy
4       |  prompt oluşturma ile
5       |  bir sistemi programlama arasındaki farkı anla
6
72. Gün  |  bir dizi belge al
8       |  Kimi K3'ü API üzerinden çalıştır
9       |  ilk varlıkları ve ilişkileri çıkar
10       |  Neo4j'ye kaydet
11
123. Gün  |  ilk alım katmanını oluştur
13       |  vektör aramayı ve grafik aramayı birleştir
14       |  RAG'ın cevaplayamadığı karmaşık bir soruda test et
15
164. Gün  |  Kimi Code'u MCP üzerinden bağla
17       |  github.com/MoonshotAI/kimi-code
18       |  ajanın grafiği okumasına ve yeni bilgiler eklemesine izin ver
19       |  ilk bilgi-eylem döngüsünü çalıştır
20
215. Gün  |  sonucu ölç
22       |  doğruluğu normal RAG ile karşılaştır
23       |  token maliyetlerini karşılaştır
24       |  ilk gerçek müşteri kullanım durumunu bul

Microsoft, Stanford ve Anthropic'in birlikte keşfettiği şey

1Microsoft GraphRAG    |  grafik maliyeti %85 düşürür, doğruluğu %18 iyileştirir
2Stanford DSPy         |  model grafikte bir düğümdür, merkez değil
3Stanford Ölçekleme Yasaları |  daha küçük model + iyi grafik, daha büyük modeli yener
4MIT Press Araştırması |  açık ilişkiler tutarlılığı ve doğruluğu iyileştirir
5Anthropic LaunchNotes |  5 kat daha hızlı olay tespiti, %50 daha az toplantı süresi

Kimi K3 motordur. Graph Engineering harita, hafıza ve koordinat sistemidir. Motor olmadan grafik harekete geçmez. Grafik olmadan motor çok hızlı hareket eder ama nereye gittiğini her zaman bilemez.

Çoğu geliştirici normal RAG kurmaya devam edecek ve karmaşık soruların neden kötü cevaplar verdiğini merak edecek. Birkaçı bir haftasını bir grafik sistemi kurmaya harcayacak ve asla metin aramaya geri dönmeyecek.

Kendi hayatınızı siz inşa edersiniz - bu yüzden doğru yolu seçin.

/ Bu faydalıysa - takip edin /