Was ist PolyUQuest?
PolyUQuest beantwortet Fragen zu einer Website, indem es die Struktur behält, die flaches Chunking wegwirft. Es baut einen dreischichtigen Graphen aus Webseiten, DOM-Blöcken (Abschnitten des HTML jeder Seite, auf etwa 150 Wörter begrenzt) und extrahierten Entitäten, speichert ihn in Neo4j mit Vektoren in Qdrant und leitet jede Anfrage in einen von drei Modi: direkte Blocksuche, seitenverankerte Suche, die Links folgt, oder Traversierung des Entitätsgraphen. Ein hybrider Modus für Anfragen mit geringer Konfidenz existiert, ist in der mitgelieferten Konfiguration aber abgeschaltet. Antworten zitieren ihre Quellblöcke.
Das Repo enthält den Online-Serving-Stack einer Gruppe der Hong Kong Polytechnic University: ein FastAPI-Backend, ein Next.js-14-Frontend und einen Benchmark mit 300 Fragen über die PolyU-Website. Das zugehörige Paper, PolyUQuest: Verifiable Structure-Aware Web RAG over Heterogeneous Graphs (arXiv 2607.08269), wurde für den Demo-Track der CIKM 2026 angenommen. Standardmäßig ruft es SiliconFlows API für DeepSeek-Modelle und BGE-M3-Embeddings auf, mit Qwen3-Reranker-8B für das Reranking.
Der Code steht unter Apache 2.0; der Datensatz ist nur für die Forschung freigegeben, zu Bedingungen, die die Autoren mit CC BY-NC 4.0 gleichsetzen. Das Repo wurde im Juni 2026 angelegt, hat zwei Commits, den jüngsten vom 3. November 2026, und keine Releases.
Lohnt sich PolyUQuest?
PolyUQuest ist ein gut begründetes Forschungsergebnis, aber noch nichts zum Deployen. Die Idee ist richtig und wird von den gängigen Graph-RAG-Frameworks kaum bedient: Links und HTML-Layout einer Website sind Struktur, die man umsonst bekommt, und laut Ablation im Paper erklären DOM-bewusste Blöcke, nicht der Entitätsgraph, den Großteil des Qualitätsvorsprungs. Das Repository hat aber 3 GitHub-Sterne, zwei Commits und keine Releases, und es kommt ohne die Offline-Pipeline, die eine Website crawlt und indexiert, sodass die Neo4j- und Qdrant-Speicher leer starten.
Die Zahlen im Paper sind stark, aber selbst berichtet, auf dem eigenen Benchmark der Autoren mit 300 Fragen über 4.240 PolyU-Seiten (31.086 DOM-Blöcke und 29.119 Entitäten). PolyUQuest erreichte 0,644 bei der Antwortkorrektheit und 0,921 bei der Faithfulness, gegenüber 0,610 und 0,559 für LightRAG, und brauchte dabei 2.968 Tokens pro Anfrage gegenüber 29.825 bei LightRAG sowie 17,5 Millionen Tokens für den Indexaufbau gegenüber 37,4 Millionen. Einfaches Chunk-RAG kam auf 0,532 Korrektheit bei 2.947 Tokens. Das Paper nennt weder das verwendete Sprachmodell noch, ob Menschen oder ein Modell die Antworten bewertet haben, was die Zahlen schwer reproduzierbar macht.
Im Auslieferungszustand ist es ein Entwicklungs-Setup. Der FastAPI-Server bindet an 0.0.0.0, mit aktivem Auto-Reload und ohne Authentifizierung auf /api/query. Die docker-compose.yml veröffentlicht Neo4j und Qdrant auf allen Interfaces, mit einem in der Datei eingecheckten Neo4j-Passwort und uneingeschränkten APOC- und Graph-Data-Science-Prozeduren. Jede Anfrage geht außerdem an SiliconFlow, einen chinesischen API-Anbieter, für Routing, Embeddings, Umformulierung der Anfrage und Reranking, sofern du nicht wechselst; DeepSeek und Qwen sind die dokumentierten Alternativen, und Embeddings können lokal auf BGE-M3 laufen.
LightRAG und Microsoft GraphRAG, beide hier besprochen, indexieren beliebige Dokumentsammlungen und liefern gepflegte Releases; PolyUQuest zielt auf HTML-Websites und wurde an einer einzigen evaluiert. Neo4j und Graphiti sind Infrastruktur, auf der es aufsetzen könnte, keine Konkurrenten. Die nützlichste Lehre daraus, dass Seiten entlang ihres DOM zu zerlegen, bevor man sie einbettet, sowohl flache Chunks als auch schwerere Graphen schlägt, lohnt sich für eine bestehende Pipeline schon lange bevor diese Codebasis reif für den Einsatz ist.
Wo es sich lohnt
Ein Retrieval-Forscher, der Graph-RAG-Methoden vergleicht
Eine neue Methode auf einem veröffentlichten Testset mit strukturbewusstem Web-RAG vergleichen
python -m agent_rag.evaluation --validate-only prüft die 300 Fragen ohne jegliche Dienste, und der Replay-Modus bewertet die Ausgaben deines eigenen Systems mit Metriken auf Antwortspannen. Metriken auf Blockebene brauchen den Korpus-Build 20260523 der Autoren, der nicht im Repo liegt, ein direkter Vergleich mit PolyUQuest selbst ist also noch nicht möglich.
Ein Web-Team an einer Universität mit einigen tausend Seiten zu Studiengängen und Zulassung
Einen Q&A-Assistenten für Studierende prototypen, der zu jeder Antwort den genauen Seitenabschnitt zitiert
Router, Retrieval-Modi und die Next.js-Chat-Oberfläche taugen als Referenz. Module für Crawler und Entitätsextraktion liegen im Quellcode, die Pipeline, die sie in Neo4j und Qdrant überführt, aber nicht, also baut das Team seinen eigenen Build; die 17,5 Millionen Build-Tokens für 4.240 Seiten aus dem Paper geben ein grobes Budget. Vor dem Zugang für Studierende Authentifizierung ergänzen und die Datenbank-Ports schließen.
Ein Engineer, der LightRAG über eine Produktdokumentation betreibt
Tokens zur Antwortzeit senken, ohne Faithfulness zu verlieren
Die Erkenntnis übernehmen statt des Codes: Seiten vor der Indexierung entlang ihrer HTML-Struktur in Blöcke von etwa 150 Wörtern teilen. Die Ablation im Paper schreibt diesem Schritt den Großteil von PolyUQuests Vorsprung zu, und er braucht keine neue Datenbank.
Bevor du dich festlegst
- Einrichtung
- .env.example kopieren und einen SiliconFlow-Key eintragen, docker-compose up -d für Neo4j und Qdrant, uv sync und uv run agent-rag-serve, dann npm run dev in frontend/. Braucht Python 3.11+, Node 18+ und Docker; mit den API-Standardeinstellungen keine GPU. Die Speicher starten leer.
- Integrationen
- Neo4j 5 Community mit APOC und Graph Data Science, Qdrant, SiliconFlow-, DeepSeek- oder Qwen-APIs, BGE-M3-Embeddings per API oder lokal, Qwen3-Reranker-8B über SiliconFlow und optional Firecrawl für JavaScript-gerenderte Seiten. REST-Endpunkte /api/query, /api/graph/stats und /api/health.
- Daten und Datenschutz
- Anfragen und Seitentext gehen an die konfigurierten LLM-, Embedding- und Reranker-APIs (standardmäßig SiliconFlow). Der Server bindet ohne Authentifizierung an 0.0.0.0; die Ports von Neo4j und Qdrant sind mit einem eingecheckten Standardpasswort veröffentlicht. Der Code steht unter Apache 2.0; der Benchmark verbietet kommerzielle Nutzung.
- Kosten im großen Maßstab
- Keine Bezahlversion. Das Paper nennt 17,5 Millionen LLM-Tokens für die Indexierung von 4.240 Seiten und etwa 2.968 Tokens pro Anfrage; API-Preise stehen nicht im Repo. Self-Hosting bedeutet zusätzlich Server für Neo4j und Qdrant sowie GPUs, wenn die Modelle lokal laufen.
- Grenzen
- Indexierungs-Pipeline nicht veröffentlicht; zwei Commits, keine Releases und keine gemeldeten Issues; hybrides Routing ist in der mitgelieferten Konfiguration aus; an einer einzigen Universitäts-Website evaluiert; die Gold-Block-IDs des Datensatzes lassen sich nur gegen den unveröffentlichten Korpus-Build der Autoren auflösen.
Was gut ist
- Nutzt Seitenlinks und HTML-Struktur, die flaches Chunking verwirft
- Paper meldet 0,921 Faithfulness gegenüber 0,559 bei LightRAG
- In den Tests des Papers etwa ein Zehntel der Tokens pro Anfrage von LightRAG
- Liefert einen Benchmark mit 300 Fragen und ein Ablations-Harness mit
Was nicht
- Offline-Pipeline für Crawling und Indexierung fehlt
- 3 Sterne, zwei Commits und keine Releases
- Keine API-Authentifizierung; Datenbanken mit eingechecktem Passwort offen
- Ergebnisse sind selbst berichtet, und der Benchmark ist nicht kommerziell nutzbar
Am besten für
Forschende und Web-Teams an Universitäten, die strukturbewusstes Retrieval über HTML-Websites untersuchen, nicht Teams, die ein produktives RAG-System brauchen.
Alternativen zu PolyUQuest
PolyUQuest: häufige Fragen
- Lohnt sich PolyUQuest?
- Ein kluges Paper darüber, die eigene Struktur einer Website für RAG zu nutzen, veröffentlicht als Serving-Code, der deine Website noch nicht indexieren kann. Wir bewerten es mit 3.0 von 5.
- Was kostet PolyUQuest?
- Kostenlos und Open Source unter Apache 2.0; der mitgelieferte Benchmark ist nur für die Forschung. Anfragen und Indexierung verbrauchen eigene Guthaben für LLM-, Embedding- und Reranker-APIs (standardmäßig SiliconFlow).
- Welche Nachteile hat PolyUQuest?
- Offline-Pipeline für Crawling und Indexierung fehlt; 3 Sterne, zwei Commits und keine Releases; Keine API-Authentifizierung; Datenbanken mit eingechecktem Passwort offen; Ergebnisse sind selbst berichtet, und der Benchmark ist nicht kommerziell nutzbar.
- Für wen eignet sich PolyUQuest?
- Forschende und Web-Teams an Universitäten, die strukturbewusstes Retrieval über HTML-Websites untersuchen, nicht Teams, die ein produktives RAG-System brauchen.
- Was kostet PolyUQuest für ein Team oder im Produktivbetrieb?
- Keine Bezahlversion. Das Paper nennt 17,5 Millionen LLM-Tokens für die Indexierung von 4.240 Seiten und etwa 2.968 Tokens pro Anfrage; API-Preise stehen nicht im Repo. Self-Hosting bedeutet zusätzlich Server für Neo4j und Qdrant sowie GPUs, wenn die Modelle lokal laufen.
- Ist PolyUQuest sicher für Firmendaten?
- Anfragen und Seitentext gehen an die konfigurierten LLM-, Embedding- und Reranker-APIs (standardmäßig SiliconFlow). Der Server bindet ohne Authentifizierung an 0.0.0.0; die Ports von Neo4j und Qdrant sind mit einem eingecheckten Standardpasswort veröffentlicht. Der Code steht unter Apache 2.0; der Benchmark verbietet kommerzielle Nutzung.
- Was sind die besten Alternativen zu PolyUQuest?
- Die nächsten Alternativen, die wir getestet haben, sind LightRAG, GraphRAG, RAGFlow, Graphiti und Crawl4AI.
Antworten geprüft am 9. Nov. 2026.