Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

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.

Quellen