Artikeln belyser de betydande utmaningarna med att konstruera kunskapsgrafer (KG) från ostrukturerad data som CSV-filer och PDF-dokument. Den kritiserar befintliga verktyg som GraphRAG och KAG för att antingen inte lösa grundproblemet med KG-konstruktion transparent eller för att vara för komplexa att anpassa. Graphiti presenteras som ett alternativ som automatiskt bygger kunskapsgrafer från text eller JSON, men dess beroende av OpenAI och brist på direkt stöd för lokala LLM:er diskuteras. En diskussion förs om användningen av stora språkmodeller (LLM) för KG-generering, där risker som hallucinationer och inkonsekvenser lyfts fram i kontrast till mer traditionella NLP-metoder. Slutligen konstateras att många AI-relaterade bibliotek snabbt blir komplexa när man avviker från deras avsedda användningsområden, vilket ofta leder till behovet av att bygga egna lösningar.