Was ist GraphRAG?
GraphRAG nutzt ein Sprachmodell, um Entitäten und Beziehungen aus deinen Dokumenten zu extrahieren, baut daraus einen Wissensgraphen, gruppiert ihn in Communities und schreibt zu jeder eine Zusammenfassung. Abfragen können sich dann auf diese Zusammenfassungen stützen, um breite Fragen zu beantworten, etwa nach den Hauptthemen eines ganzen Korpus, mit denen reine Vektorsuche schlecht zurechtkommt. Seit August 2026 steht im README, dass das Projekt weitgehend im Wartungsmodus ist: Microsoft behebt Bugs, aktualisiert Abhängigkeiten und patcht CVEs, nimmt aber keine neuen Pull Requests mehr an und ergänzt keine Funktionen.
Es bietet unter anderem globale Suche (über Community-Zusammenfassungen) und lokale Suche (rund um bestimmte Entitäten). Microsoft Research hat außerdem LazyGraphRAG beschrieben, eine günstigere Variante, die den Großteil der Modellarbeit auf den Zeitpunkt der Abfrage verschiebt.
Es ist eine Python-Bibliothek mit CLI, von Microsoft Research als Demonstrationscode veröffentlicht; laut README ist es kein offiziell unterstütztes Microsoft-Angebot.
Lohnt sich GraphRAG?
GraphRAG ist inzwischen ein abgeschlossenes Forschungsartefakt statt einer wachsenden Bibliothek. Im August 2026 hat Microsoft dem README einen Hinweis hinzugefügt: Frontier-Modelle hätten sich seit dem ersten Release im Juli 2024 stark verändert, und das Projekt bekomme Bugfixes, Abhängigkeits-Updates und CVE-Patches, aber keine neuen Funktionen. Die Releases bestätigen das: v3.3.0 vom 8. Oktober 2026 enthielt eine einzige Performance-Korrektur für SQLite. Das Repository hat rund 36.400 Sterne.
Die Idee selbst ist nicht gealtert. Die globale Suche antwortet aus Community-Zusammenfassungen, die bei der Indexierung geschrieben wurden, sodass eine Frage wie "what are the top themes in this story?" auf den ganzen Korpus zurückgreift statt auf die Handvoll Chunks, die eine Vektorsuche findet. Der Quickstart zeigt das an einem Text von Project Gutenberg, und dieses eine Buch zu indexieren dauert mit einem OpenAI- oder Azure-Schlüssel ein paar Minuten.
An den Kosten scheitern die meisten Teams. README und Dokumentation warnen beide, dass die Indexierung teuer ist, und raten, klein und mit günstigen Modellen anzufangen, weil jedes Dokument zur Extraktion und Zusammenfassung durch das Modell läuft. Der Beitrag von Microsoft Research zu LazyGraphRAG beziffert die Indexierung bei Vektor-RAG auf 0,1% der Kosten von vollem GraphRAG. Geänderte Dokumente bedeuten weitgehend einen Neuaufbau, und das README warnt, dass die Ergebnisse ohne den Schritt zum Prompt-Tuning enttäuschen können.
Upgrades bringen eigene Mühen. Minor-Versionen verlangen `graphrag init --force`, was deine Konfiguration und abgestimmten Prompts überschreibt, und Major-Versionen brauchen ein Migrations-Notebook, um eine Neuindexierung zu vermeiden. Für ein festes Archiv, das einmal indexiert und jahrelang abgefragt wird, ist eine Pipeline, die sich nicht mehr ändert, durchaus ein Vorzug; für einen lebendigen Dokumentbestand ist die günstigere Indexierung von LightRAG der Vergleich, zu dem die meisten Artikel aus 2026 greifen.
Wo es sich lohnt
Ein Research-Analyst an einem Politikinstitut mit einem festen Archiv veröffentlichter Berichte
Die Themen finden, die in der ganzen Sammlung wiederkehren
Einmal mit einem günstigen Modell indexieren, die Prompts abstimmen und dann die globale Suche nutzen. Die Kosten sind die Modell-Tokens für einen Durchgang über jeden Bericht; weil sich das Archiv nicht ändert, steht der teure Neuaufbau nie wieder an.
Eine Data Engineer in einer Kanzlei, die Retrieval-Ansätze bewertet
Nachweisen, ob ein Graph bei dokumentübergreifenden Fragen hybride Suche schlägt, bevor dafür bezahlt wird
Den Quickstart durchlaufen, dann eine kleine Auswahl von Mandaten indexieren und die Antworten mit einem Evaluierungssatz vergleichen. Jedes Dokument geht an den konfigurierten OpenAI- oder Azure-Endpunkt, also gilt die Datenvereinbarung der Kanzlei mit diesem Anbieter.
Ein ML-Plattformteam innerhalb eines Azure-Tenants
Einen graphbasierten Suchdienst anbieten, ohne API-Schlüssel auf der Festplatte zu speichern
Authentifizierung über azure_managed_identity nutzen und die Parquet-Ausgaben im Tenant halten. Da Upstream im Wartungsmodus ist, sollte das Team damit rechnen, jede Funktionsarbeit in einem Fork selbst zu tragen.
Bevor du dich festlegst
- Einrichtung
- `python -m pip install graphrag` auf Python 3.10 bis 3.12, `graphrag init`, einen OpenAI- oder Azure-Schlüssel hinzufügen, dann `graphrag index`; das Beispielbuch ist laut Dokumentation in ein paar Minuten indexiert.
- Integrationen
- CLI und Python-Bibliothek; der Quickstart deckt OpenAI und Azure OpenAI ab, einschließlich Azure Managed Identity. Der Index wird als Parquet-Dateien geschrieben.
- Daten und Datenschutz
- Jedes Dokument wird zur Extraktion und Zusammenfassung an den konfigurierten Modell-Endpunkt geschickt; der Index bleibt lokal oder auf deinem eigenen Speicher. MIT-Lizenz; keine Security Advisories auf GitHub veröffentlicht.
- Kosten im großen Maßstab
- Keine bezahlte Edition. Die Rechnung sind Modell-Tokens für das Extrahieren und Zusammenfassen des gesamten Korpus, wiederholt bei geänderten Dokumenten; Microsoft Research beziffert die Indexierung bei Vektor-RAG auf 0,1% dieser Kosten.
- Grenzen
- Wartungsmodus ohne neue Funktionen; Python 3.13 wird nicht unterstützt; Minor-Upgrades überschreiben die Konfiguration; geänderte Dokumente erzwingen weitgehend einen Neuaufbau.
Was gut ist
- Globale Suche beantwortet Fragen über den ganzen Korpus, die Vektor-RAG verfehlt
- Community-Zusammenfassungen sind für sich genommen nützlich
- MIT-Lizenz; läuft gegen deinen eigenen Azure-Tenant
- Bekommt weiterhin Bugfixes und CVE-Patches
Was nicht
- Seit August 2026 im Wartungsmodus; keine neuen Funktionen
- Die Indexierung schickt den ganzen Korpus durch ein Sprachmodell
- Minor-Upgrades überschreiben Konfiguration und abgestimmte Prompts
- Standard-Prompts müssen laut README abgestimmt werden
Am besten für
Teams mit einem festen, wertvollen Dokumentbestand, bei dem dokumentübergreifende Fragen einen teuren einmaligen Index rechtfertigen.
Alternativen zu GraphRAG
GraphRAG: häufige Fragen
- Lohnt sich GraphRAG?
- Immer noch das Referenzdesign für Fragen über einen ganzen Korpus, aber Microsoft entwickelt es nicht mehr weiter, und die Indexierungsrechnung ist so hoch wie eh und je. Wir bewerten es mit 3.5 von 5.
- Was kostet GraphRAG?
- Kostenlos und Open Source unter der MIT-Lizenz. Die Indexierung läuft über dein eigenes OpenAI- oder Azure-OpenAI-Guthaben, und das README warnt, dass sie teuer werden kann.
- Welche Nachteile hat GraphRAG?
- Seit August 2026 im Wartungsmodus; keine neuen Funktionen; Die Indexierung schickt den ganzen Korpus durch ein Sprachmodell; Minor-Upgrades überschreiben Konfiguration und abgestimmte Prompts; Standard-Prompts müssen laut README abgestimmt werden.
- Für wen eignet sich GraphRAG?
- Teams mit einem festen, wertvollen Dokumentbestand, bei dem dokumentübergreifende Fragen einen teuren einmaligen Index rechtfertigen.
- Was kostet GraphRAG für ein Team oder im Produktivbetrieb?
- Keine bezahlte Edition. Die Rechnung sind Modell-Tokens für das Extrahieren und Zusammenfassen des gesamten Korpus, wiederholt bei geänderten Dokumenten; Microsoft Research beziffert die Indexierung bei Vektor-RAG auf 0,1% dieser Kosten.
- Ist GraphRAG sicher für Firmendaten?
- Jedes Dokument wird zur Extraktion und Zusammenfassung an den konfigurierten Modell-Endpunkt geschickt; der Index bleibt lokal oder auf deinem eigenen Speicher. MIT-Lizenz; keine Security Advisories auf GitHub veröffentlicht.
- Was sind die besten Alternativen zu GraphRAG?
- Die nächsten Alternativen, die wir getestet haben, sind LlamaIndex, RAGFlow und Haystack.
Antworten geprüft am 26. Okt. 2026.