Artikeln presenterar en metod för att omvandla text till en "kunskapsgraf" (graph of concepts) med fokus på att förbättra informationshämtning och komplexa frågor. Metoden använder sig av mindre, öppen källkods LLM:er som mistral 7b (mistral 7b openorca instruct och zephyr) och kan köras lokalt med ollama. Processen innefattar att dela upp text i segment, extrahera koncept och deras relationer med en LLM, samt att beakta kontextuell närhet mellan koncept för att skapa kanter i grafen. Kunskapsgrafer framhålls som ett sätt att övervinna begränsningar i traditionell Retrieval Augmented Generation (RAG) genom att möjliggöra djupare förståelse och mer komplexa frågor. Implementationen använder Python-biblioteken pandas och networkx för att lagra och visualisera grafdata på ett enkelt sätt, och undviker tunga grafdatabaser för demonstrationen.