- GraphRAG: GraphRAG verknüpft Dokumente und Entitäten als Graphstruktur und erlaubt KI-Systemen, auch komplexe Zusammenhänge über mehrere Informationsquellen hinweg zu erschließen.
- Microsoft hat 2024 mit der gleichnamigen Open-Source-Bibliothek GraphRAG popularisiert.
- Der Aufbau ist ressourcenintensiver als einfaches Chunking-RAG, jedoch bieten Cloud-Dienste und lokale Open-Source-Tools (Microsofts GraphRAG-Bibliothek, Neo4j) zunehmend zugängliche Einstiegspunkte.
/01Was ist GraphRAG?
Klassisches RAG ruft unabhängige Text-Chunks ab. GraphRAG geht einen Schritt weiter: Aus den Dokumenten werden Entitäten (Personen, Produkte, Standorte, Prozesse) und deren Beziehungen extrahiert und als Wissensgraph gespeichert. Eine Anfrage traversiert diesen Graphen und kann mehrere Knotenebenen durchlaufen — etwa von einem Lieferanten über seine Produkte zu den zugehörigen Zertifikaten.
Microsoft hat 2024 mit der gleichnamigen Open-Source-Bibliothek GraphRAG popularisiert. Das System erstellt automatisch Communitys zusammengehöriger Entitäten und generiert Zusammenfassungen auf verschiedenen Abstraktionsebenen, sodass auch globale Fragen über ein gesamtes Dokumentkorpus beantwortet werden können.
/02Vergleich: Klassisches RAG vs. GraphRAG
Beide Ansätze eignen sich für unterschiedliche Fragetypen:
- Klassisches RAG: Ideal für faktenbasierte Einzelfragen — „Was steht in Abschnitt 4.2 des Vertrags?”
- GraphRAG: Stärke bei vernetzten Fragen — „Welche Lieferanten sind indirekt von der Zulieferkrise betroffen?”
- GraphRAG eignet sich besonders für Domänen mit komplexen Abhängigkeiten: Compliance, Supply Chain, Forschungsliteratur, Produktportfolios.
- Nachteil: Graphaufbau und -pflege sind aufwändiger und erfordern regelmäßige Aktualisierung bei sich ändernden Datenkörpern.
GraphRAG in der Praxis
Ein Pharmaunternehmen nutzt GraphRAG, um aus Tausenden Studien Wirkstoffbeziehungen und Nebenwirkungspfade automatisch zu erschließen — Fragen, die klassisches Chunking-RAG nicht beantworten kann.
/03Relevanz für den Mittelstand
GraphRAG lohnt sich für Unternehmen, deren Wissensbasis stark vernetzt ist — etwa Maschinenbauer mit komplexen Stücklisten, Rechtsabteilungen mit miteinander verweisenden Vertragswerken oder Einkaufsabteilungen mit mehrstufigen Lieferantenketten. Der Aufbau ist ressourcenintensiver als einfaches Chunking-RAG, jedoch bieten Cloud-Dienste und lokale Open-Source-Tools (Microsofts GraphRAG-Bibliothek, Neo4j) zunehmend zugängliche Einstiegspunkte.