Begriff
GraphRAG
GraphRAG ist eine RAG-Variante, die statt reiner Vektorsuche einen Knowledge Graph nutzt — Antworten kommen aus verknüpften Entitäten und Beziehungspfaden, nicht nur ähnlichem Text.
GraphRAG — ausführlicher erklärt
Klassisches Vektor-RAG findet Passagen, die einer Frage semantisch ähnlich sind. Bei mehrteiligen Fragen über mehrere Dokumente hinweg („Welche Lieferanten von Hersteller X waren auch in Fall Y involviert?”) versagt das Verfahren oft, weil keine einzelne Passage die ganze Antwort enthält. GraphRAG legt zusätzlich einen Knowledge Graph an: Entitäten (Personen, Produkte, Fälle) und ihre Beziehungen werden aus den Quelldokumenten extrahiert und als Knoten/Kanten gespeichert. Bei einer Frage wird dann sowohl im Graph getraversiert als auch im Vektor-Index gesucht — die Antwort entsteht aus beidem.
Beispiel / Praxisbezug
Praktischer Ablauf nach Microsoft- und Neo4j-Implementierungen: 1) Extraktion — ein LLM liest die Dokumente, identifiziert Entitäten und Relationen, schreibt sie in eine Property-Graph-Datenbank (Neo4j, Memgraph, NetworkX). 2) Indexierung — gleichzeitig Embeddings auf Knotenebene anlegen. 3) Retrieval — auf eine Frage hin Multi-Hop-Pfade traversieren („Person → arbeitete-bei → Firma → klagte-gegen → …”) und die gefundenen Kontexte plus Vektor-Treffer dem LLM übergeben. Stark bei Compliance-Recherche, juristischen Akten, wissenschaftlicher Literatur.
Abgrenzung zu ähnlichen Begriffen
GraphRAG ergänzt Vektor-RAG — es ersetzt es nicht. Vektor-Suche bleibt für lokale Lookups oft schneller und billiger. GraphRAG zahlt sich aus, sobald Multi-Hop-Reasoning oder Cross-Document-Aggregationen nötig sind. Schwächen: Aufbau und Pflege des Graphs sind aufwendig, Qualität der Antworten hängt direkt an der Qualität der Entity-Extraktion. Abgrenzung zu Hybrid Search (BM25 + Vektor): dort werden zwei Suchverfahren kombiniert, in GraphRAG kommt eine strukturierte Wissensschicht dazu.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarS-RAG
S-RAG (Search-optimized RAG) ist boostN.ais Variante von Retrieval-Augmented Generation, die klassisches RAG um Suchmaschinen-Prinzipien erweitert: Relevanz-Ranking, Decay nach Aktualität und getypte Verlinkung zwischen Chunks für deterministisches Nachladen.
LexikonRAG-Tuning und Balancing — Embeddings, Gewichte, Decay und MCP für Fortgeschrittene
Wie man Retrieval gezielt steuert: Embedding-Wahl, Hybrid-Gewichte, Reranker-Cascade, Time-Decay, Authority-Boost, MMR und MCP als Retrieval-Tool.