GraphRAG
GraphRAG ist ein Retrieval-Ansatz, bei dem ein LLM zuerst aus einer Dokumentensammlung einen Wissensgraphen aufbaut und Zusammenfassungen zu Gruppen verwandter Entitäten schreibt und dann Fragen mithilfe dieser Zusammenfassungen und der Verknüpfungen im Graphen beantwortet.
Auch: graph RAG
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Standardmäßige Retrieval-Augmented Generation holt einige Passagen, die der Frage ähneln. Das funktioniert bei „Wie lange ist unsere Rückgabefrist?“, scheitert aber bei „Was sind die Hauptthemen in diesen Tausenden von Interviews?“, weil keine einzelne Passage die Antwort enthält. GraphRAG wurde 2024 von Forschern bei Microsoft vorgeschlagen, um solche Fragen zum gesamten Korpus zu bewältigen.
So funktioniert es
Die Indexierung hat zwei Stufen. Ein LLM liest jeden Chunk und extrahiert Entitäten und Beziehungen, woraus ein Wissensgraph entsteht. Der Graph wird dann in Communities eng verknüpfter Entitäten aufgeteilt, und das LLM schreibt für jede eine Zusammenfassung. Um eine globale Frage zu beantworten, liefert jede relevante Community-Zusammenfassung eine Teilantwort, und diese werden zu einer endgültigen Antwort zusammengeführt. Für enge Fragen beginnt ein lokaler Modus bei passenden Entitäten und folgt ihren Nachbarn.
Die Technik und das Repo
„GraphRAG“ bezeichnet sowohl die Methode als auch Microsofts Open-Source-Implementierung, getestet unter GraphRAG. Verwandte Projekte wie LightRAG nutzen ähnliche Ideen mit einem leichteren Indexierungsschritt.
Abwägungen
Die Indexierung ist teuer, weil ein LLM den ganzen Korpus verarbeitet, oft mehr als einmal, und der Graph muss neu gebaut oder aktualisiert werden, wenn sich Dokumente ändern. Die Qualität der Extraktion begrenzt die Qualität der Antworten. Für einfache Abfragen ist normales RAG mit hybrider Suche günstiger und meist genauso gut. Der Leitfaden zu Wissensgraphen behandelt die Tools.
Verwandte Begriffe
- Wissensgraph
- Ein Wissensgraph (Knowledge Graph) speichert Informationen als Entitäten (Personen, Produkte, Orte, Konzepte), die durch benannte Beziehungen verbunden sind, sodass Software Verknüpfungen zwischen Fakten folgen kann, statt losen Text zu durchsuchen.
- Retrieval-Augmented Generation
- Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.
- Agentic RAG
- Agentic RAG (agentisches RAG) ist Retrieval-Augmented Generation, gesteuert von einem KI-Agenten, der entscheidet, wann gesucht wird, wonach und in welcher Quelle, und erneut suchen kann, wenn die ersten Ergebnisse nicht reichen.
- Hybride Suche
- Hybride Suche (Hybrid Search) führt zu derselben Anfrage eine Stichwortsuche und eine Vektorsuche aus und führt die beiden Ergebnislisten zusammen, sodass Treffer sowohl über exakte Wörter als auch über Bedeutung passen können.
- Chunking
- Chunking (Aufteilung in Abschnitte) ist der Schritt, der lange Dokumente in kleinere Passagen zerlegt, bevor sie eingebettet und indexiert werden, damit ein Retrieval-System nur die Teile eines Dokuments finden und zurückgeben kann, die eine Anfrage beantworten.