GraphRAG (graphenbasierte Retrieval-Erweiterung)

GraphRAG bezeichnet eine Weiterentwicklung von Retrieval-Augmented Generation (RAG), bei der Wissensdatenbanken nicht nur als Textchunk-Vektoren, sondern als expliziter Wissensgraph mit Entitäten und Beziehungen indexiert werden. Ein Sprachmodell extrahiert dabei aus Dokumenten Knoten (Begriffe, Personen, Konzepte) und Kanten (Relationen); die Suche navigiert diese Struktur und liefert dem Modell mehrstufige Pfade statt isolierter Textfetzen. Geprägt wurde der Begriff vor allem durch die Arbeit des Microsoft-Research-Teams (Edge et al., 2024). Gegenüber klassischem RAG hat GraphRAG zwei Vorteile: Erstens lassen sich Zusammenhänge über mehrere Dokumente hinweg verfolgen, etwa bei Fragen nach gemeinsamen Ursachen mehrerer Berichte. Zweitens sind Antworten nachvollziehbar, weil die verwendeten Knoten und Kanten als Pfad ausgegeben werden. Die zusätzliche Struktur erzeugt aber auch Kosten: Der Graph muss gebaut und laufend gepflegt werden, und das community-basierte Zusammenfassen ist rechenintensiver als einfaches Vektor-Top-K. In der Praxis bewährt sich das Muster bei stark vernetzten Datenquellen wie technischen Dokumentationen, Rechtsakten oder Stammdatenmodellen, während kleine, flache Korpora oft mit normalem RAG schneller und günstiger beantwortet werden. Produktive Systeme kombinieren meist beides: einen Vektorindex für schnelle Ähnlichkeitssuche und einen Wissensgraph für relationale Queries, koordiniert über einen Router. GraphRAG ist damit weniger ein einzelnes Tool als ein Architekturprinzip für strukturiertes Retrieval in KI-Agenten.