Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Loading...

🕸️

Graph RAG(GRAG)

Wissensgraph-gestütztes RAG, das Entitätsbeziehungen und Community-Erkennung für globale Sensemaking-Abfragen nutzt

Komplexität: highWissensabruf (RAG)

In 30 seconds

What: Baut aus Dokumenten einen Entitäten-Wissensgraphen auf, erkennt darin Communities und beantwortet Anfragen, indem relevante Communities zusammengefasst werden, statt einzelne Textabschnitte abzurufen.
When to use: Breite analytische Fragen über große Dokumentsammlungen hinweg beantworten, wenn Beziehungen zwischen Entitäten und thematische Gruppierungen wichtiger sind als Stichwortabgleich.
Watch out: Graphaufbau und Community-Erkennung sind rechenintensiv; die Qualität bricht stark ein, wenn Entitätsextraktion oder Beziehungserkennung früh scheitern.

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Expertenhilfe Preise

Entwurfsmuster und Techniken

Loading...

🕸️

Graph RAG(GRAG)

Wissensgraph-gestütztes RAG, das Entitätsbeziehungen und Community-Erkennung für globale Sensemaking-Abfragen nutzt

Komplexität: highWissensabruf (RAG)

In 30 seconds

What: Baut aus Dokumenten einen Entitäten-Wissensgraphen auf, erkennt darin Communities und beantwortet Anfragen, indem relevante Communities zusammengefasst werden, statt einzelne Textabschnitte abzurufen.
When to use: Breite analytische Fragen über große Dokumentsammlungen hinweg beantworten, wenn Beziehungen zwischen Entitäten und thematische Gruppierungen wichtiger sind als Stichwortabgleich.
Watch out: Graphaufbau und Community-Erkennung sind rechenintensiv; die Qualität bricht stark ein, wenn Entitätsextraktion oder Beziehungserkennung früh scheitern.

30-Sekunden-Überblick

Muster: RAG auf Basis eines Wissensgraphen mit Community-Detection und hierarchischer Zusammenfassung für großskaliges Reasoning

Warum: Ermöglicht komplexes Multi-Hop-Reasoning und Beziehungsverständnis durch strukturierte Graphtraversierung

Kernerkenntnis: Der Ansatz von Microsoft erzeugt mit Community-Detection-Algorithmen hierarchische Zusammenfassungen für globales und lokales Reasoning

Schnelle Umsetzung

1Extrahieren und aufbauen:NER/RE zur Extraktion von Entitäten und Relationen, Wissensgraph aufbauen

2Indexieren und speichern:Graph-Indizes und hybride Text-Vektor-Suche aufbauen

3Abfragen und zuordnen:Entitäten der Anfrage parsen und Graph-Knoten zuordnen

4Traversieren und abrufen:Multi-Hop-Graphtraversierung mit begrenzter Expansion

5Zusammenstellen und generieren:Graph-Kontext serialisieren und Antwort generieren

Example: query → entity_linking → graph_traversal → subgraph_assembly → llm_generation → response

Do’s und Don’ts

✅Community-Detection-Algorithmen für die Zusammenfassung großer Graphen einsetzen

✅Hierarchische Indizierung mit globalen und lokalen Community-Zusammenfassungen nutzen

✅Entity Resolution und Deduplizierung anwenden, um die Graphqualität zu erhalten

✅Vektorsuche mit Graphtraversierung zu hybridem Retrieval kombinieren

✅Begrenzte Traversierung mit expliziten Hop-Limits (1-3 Hops) umsetzen

❌Unkontrollierte Graphtraversierung zulassen, die zur Kontextexplosion führt

❌Validierung des Entity Linking und Konfidenz-Scoring auslassen

❌Graphpflege und Konsistenzprüfung vernachlässigen

❌Übermäßig komplexe Schemata bauen, die die Abfrageleistung beeinträchtigen

❌Herkunftsverfolgung für Graphkanten und Entitätsquellen ignorieren

Wann einsetzen

Einsetzen, wenn

• Komplexes Multi-Hop-Reasoning, das Verständnis von Entitätsbeziehungen erfordert
• Wissensintensive Domänen mit reich vernetzten Informationen
• Unternehmensdaten mit klar definierten Entitätsschemata und Beziehungen
• Faktenprüfung und Verifikation mit strukturierten Belegpfaden
• Große Wissensdatenbanken, die hierarchische Zusammenfassung benötigen

Vermeiden, wenn

• Einfache Faktenanfragen, die dokumentbasiertes RAG bereits gut bedient
• Domänen mit schlechter Qualität bei Entitätsextraktion und Relationsmodellierung
• Echtzeitanwendungen mit strengen Latenzanforderungen
• Kleine Datensätze, bei denen die Graphkomplexität den Retrieval-Nutzen übersteigt
• Anwendungen ohne klar definierte Entitätsschemata oder Ontologien

Kennzahlen

Qualität des Graphaufbaus

Precision/Recall der extrahierten Entitäten und Relationen

Genauigkeit der Community-Detection

Kohärenz und Relevanz der erkannten Communities

Retrieval-Relevanz

Anteil relevanter Teilgraphen in den Abfrageergebnissen

Multi-Hop-Reasoning

Genauigkeit der Inferenz komplexer Beziehungen

Kontextvollständigkeit

Abdeckung relevanter Graph-Nachbarschaften

Antwortzeit der Abfragen

End-to-End-Latenz einschließlich Graphoperationen

Wichtigste Anwendungsfälle

Biomedizinische Forschung: Erkundung von Wirkstoff-Krankheit-Gen-Beziehungen mit Einbindung wissenschaftlicher Literatur

Finanzanalyse: Modellierung von Unternehmen-Branche-Markt-Beziehungen für Investmentresearch

Juristische Recherche: Abbildung von Rechtsprechungsbeziehungen mit Präzedenz- und Zitationsanalyse

Unternehmenswissen: Modellierung organisatorischer Beziehungen mit Abteilungs- und Projektverbindungen

Akademische Forschung: Analyse von Zitationsnetzwerken und Forschungskooperationsgraphen

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Grundlagenarbeiten und Microsoft GraphRAG

From Local to Global: A Graph RAG Approach to Query-Focused Summarization (Edge et al., 2024)

GraphRAG: Unlocking LLM Discovery on Narrative Private Data (Microsoft Research, 2024)

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

Community-Detection und Graphalgorithmen

From Louvain to Leiden: guaranteeing well-connected communities

Fast Unfolding of Communities in Large Networks (Blondel et al., 2008)

Graph Neural Networks: A Review of Methods and Applications (Zhou et al., 2020)

Netzwerkanalyse und Graphentheorie in Python (NetworkX-Dokumentation)

Wissensgraph-Aufbau und NER/RE

spaCy: Natural Language Processing in Industriequalität

OpenIE: Open Information Extraction (Banko et al., 2007)

Stanford CoreNLP: eine Java-Suite grundlegender NLP-Werkzeuge

Graphdatenbanken und Speicherlösungen

Neo4j-Graphdatenbank: Entwicklerleitfaden und Best Practices

ArangoDB: Multi-Model-Datenbank mit Graphfunktionen

Amazon Neptune: vollständig verwalteter Graphdatenbank-Dienst

TigerGraph: skalierbare Plattform für Graphanalysen

Implementierungs-Frameworks und Tools

Offizielle Implementierung und Dokumentation von Microsoft GraphRAG

LangChain-Integration für Graph RAG und Beispiele

Evaluierung und Benchmarking

HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering

The Web as a Knowledge-base for Answering Complex Questions

Metriken und Frameworks zur Bewertung von graphbasiertem RAG

Loading technique guide…

Patterns

Entwurfsmuster und Techniken

Loading...

30-Sekunden-Überblick

Muster: RAG auf Basis eines Wissensgraphen mit Community-Detection und hierarchischer Zusammenfassung für großskaliges Reasoning

Warum: Ermöglicht komplexes Multi-Hop-Reasoning und Beziehungsverständnis durch strukturierte Graphtraversierung

Kernerkenntnis: Der Ansatz von Microsoft erzeugt mit Community-Detection-Algorithmen hierarchische Zusammenfassungen für globales und lokales Reasoning

Schnelle Umsetzung

1Extrahieren und aufbauen:NER/RE zur Extraktion von Entitäten und Relationen, Wissensgraph aufbauen

2Indexieren und speichern:Graph-Indizes und hybride Text-Vektor-Suche aufbauen

3Abfragen und zuordnen:Entitäten der Anfrage parsen und Graph-Knoten zuordnen

4Traversieren und abrufen:Multi-Hop-Graphtraversierung mit begrenzter Expansion

5Zusammenstellen und generieren:Graph-Kontext serialisieren und Antwort generieren

Example: query → entity_linking → graph_traversal → subgraph_assembly → llm_generation → response

Do’s und Don’ts

✅Community-Detection-Algorithmen für die Zusammenfassung großer Graphen einsetzen

✅Hierarchische Indizierung mit globalen und lokalen Community-Zusammenfassungen nutzen

✅Entity Resolution und Deduplizierung anwenden, um die Graphqualität zu erhalten

✅Vektorsuche mit Graphtraversierung zu hybridem Retrieval kombinieren

✅Begrenzte Traversierung mit expliziten Hop-Limits (1-3 Hops) umsetzen

❌Unkontrollierte Graphtraversierung zulassen, die zur Kontextexplosion führt

❌Validierung des Entity Linking und Konfidenz-Scoring auslassen

❌Graphpflege und Konsistenzprüfung vernachlässigen

❌Übermäßig komplexe Schemata bauen, die die Abfrageleistung beeinträchtigen

❌Herkunftsverfolgung für Graphkanten und Entitätsquellen ignorieren

Wann einsetzen

Einsetzen, wenn

• Komplexes Multi-Hop-Reasoning, das Verständnis von Entitätsbeziehungen erfordert
• Wissensintensive Domänen mit reich vernetzten Informationen
• Unternehmensdaten mit klar definierten Entitätsschemata und Beziehungen
• Faktenprüfung und Verifikation mit strukturierten Belegpfaden
• Große Wissensdatenbanken, die hierarchische Zusammenfassung benötigen

Vermeiden, wenn

• Einfache Faktenanfragen, die dokumentbasiertes RAG bereits gut bedient
• Domänen mit schlechter Qualität bei Entitätsextraktion und Relationsmodellierung
• Echtzeitanwendungen mit strengen Latenzanforderungen
• Kleine Datensätze, bei denen die Graphkomplexität den Retrieval-Nutzen übersteigt
• Anwendungen ohne klar definierte Entitätsschemata oder Ontologien

Kennzahlen

Qualität des Graphaufbaus

Precision/Recall der extrahierten Entitäten und Relationen

Genauigkeit der Community-Detection

Kohärenz und Relevanz der erkannten Communities

Retrieval-Relevanz

Anteil relevanter Teilgraphen in den Abfrageergebnissen

Multi-Hop-Reasoning

Genauigkeit der Inferenz komplexer Beziehungen

Kontextvollständigkeit

Abdeckung relevanter Graph-Nachbarschaften

Antwortzeit der Abfragen

End-to-End-Latenz einschließlich Graphoperationen

Wichtigste Anwendungsfälle

Biomedizinische Forschung: Erkundung von Wirkstoff-Krankheit-Gen-Beziehungen mit Einbindung wissenschaftlicher Literatur

Finanzanalyse: Modellierung von Unternehmen-Branche-Markt-Beziehungen für Investmentresearch

Juristische Recherche: Abbildung von Rechtsprechungsbeziehungen mit Präzedenz- und Zitationsanalyse

Unternehmenswissen: Modellierung organisatorischer Beziehungen mit Abteilungs- und Projektverbindungen

Akademische Forschung: Analyse von Zitationsnetzwerken und Forschungskooperationsgraphen

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Grundlagenarbeiten und Microsoft GraphRAG

From Local to Global: A Graph RAG Approach to Query-Focused Summarization (Edge et al., 2024)

GraphRAG: Unlocking LLM Discovery on Narrative Private Data (Microsoft Research, 2024)

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

Community-Detection und Graphalgorithmen

From Louvain to Leiden: guaranteeing well-connected communities

Fast Unfolding of Communities in Large Networks (Blondel et al., 2008)

Graph Neural Networks: A Review of Methods and Applications (Zhou et al., 2020)

Netzwerkanalyse und Graphentheorie in Python (NetworkX-Dokumentation)

Wissensgraph-Aufbau und NER/RE

spaCy: Natural Language Processing in Industriequalität

OpenIE: Open Information Extraction (Banko et al., 2007)

Stanford CoreNLP: eine Java-Suite grundlegender NLP-Werkzeuge

Graphdatenbanken und Speicherlösungen

Neo4j-Graphdatenbank: Entwicklerleitfaden und Best Practices

ArangoDB: Multi-Model-Datenbank mit Graphfunktionen

Amazon Neptune: vollständig verwalteter Graphdatenbank-Dienst

TigerGraph: skalierbare Plattform für Graphanalysen

Implementierungs-Frameworks und Tools

Offizielle Implementierung und Dokumentation von Microsoft GraphRAG

LangChain-Integration für Graph RAG und Beispiele

Evaluierung und Benchmarking

HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering

The Web as a Knowledge-base for Answering Complex Questions

Metriken und Frameworks zur Bewertung von graphbasiertem RAG

Graph RAG (GRAG) - Agentic Design