Was ist GraphRAG?

Was ist GraphRAG?

Graph Retrieval-Augmented Generation (GraphRAG) ist eine Architektur der künstlichen Intelligenz (KI), die Retrieval-Augmented Generation (RAG) erweitert, indem sie einen Wissensgraphen, Entitäten und Beziehungen nutzt, um einen stärkeren Kontext aufzubauen, bevor ein Sprachmodell eine Antwort generiert. Im GraphRAG-Ansatz von Microsoft umfasst dies typischerweise eine Indexierungspipeline, die Entitäten/Beziehungen aus unstrukturierten Inhalten extrahiert und Community-Zusammenfassungen/-Berichte erstellt, sowie eine Abfrage-Engine, die diese Graph-Artefakte zur Verbesserung von Retrieval und Synthese verwendet.

Durch die Verankerung von KI-Antworten in vernetzten, beziehungsbewussten Informationen kann GraphRAG genauere, kontextbezogene und besser erklärbare Ergebnisse liefern – insbesondere in komplexen Unternehmensumgebungen, in denen Antworten davon abhängen, wie Informationen über mehrere Quellen hinweg miteinander verknüpft sind.

Wie sich GraphRAG vom traditionellen RAG unterscheidet

Traditionelles RAG verbessert große Sprachmodelle, indem relevante Dokumente oder Textfragmente abgerufen und als Kontext für die Antwortgenerierung bereitgestellt werden. Das Retrieval basiert typischerweise auf semantischer Ähnlichkeit (Vektorsuche) oder Stichwortsuche. GraphRAG erweitert diesen Ansatz.

Da es auf einem Wissensgraphen basiert – einem strukturierten Modell verknüpfter Entitäten (wie Produkte, Teile, Anforderungen, Lieferanten und Vorschriften) und ihrer Beziehungen – kann GraphRAG Folgendes abrufen:

• In einer Abfrage referenzierte strukturierte Entitäten: Identifiziert spezifische Objekte wie Komponenten, Anforderungen oder Lieferanten, anstatt nur Textfragmente abzurufen
• Beziehungen zwischen diesen Entitäten: Nutzt Beziehungskontext, um relevante Belege zu verbinden und zu verbessern, wie das Modell „warum“ und „wie“ erklärt – nicht nur „was“
• Mehrstufige (Multi-Hop-)Verbindungen über Domänen hinweg: Verfolgt Beziehungspfade, um über mehrere Wissens- und Inhaltsbereiche hinweg zu schlussfolgern

Anstatt beispielsweise ein Dokument über eine Komponente abzurufen, kann GraphRAG einen Beziehungspfad nachverfolgen wie: Anforderung → Komponente → Lieferant → Vorschrift

Microsoft GraphRAG unterscheidet zudem Abfragemodi zur Unterstützung unterschiedlicher Fragetypen:

• Local Search: entitätszentriertes Schließen, das strukturierte Wissensgraphdaten mit unterstützendem Text kombiniert
• Global Search: korpusweite Synthese unter Verwendung von LLM-generierten Community-Berichten als Kontext in einem Map-Reduce-ähnlichen Prozess
• DRIFT Search: eine Methode, die lokale und Community-Erkenntnisse kombiniert, um die Abdeckung bei Fragen zu erweitern, die ein Verständnis des gesamten Datensatzes erfordern

Wie GraphRAG funktioniert

Eine typische GraphRAG-Implementierung umfasst zwei Phasen: Indexierung und Abfrage.

Die Indexierung (offline) erstellt den graphbasierten Index aus unstrukturierten Inhalten und umfasst typischerweise:

• Extraktion von Entitäten und Beziehungen (und in einigen Pipelines auch von Aussagen/Claims)
• Durchführung von Community-Detection auf Entitäten
• Erstellung von Community-Zusammenfassungen und -Berichten auf mehreren Granularitätsebenen
• Einbettung (Embedding) von Text für semantisches Retrieval

Die Abfrage (Laufzeit) nutzt Graph-Artefakte und unterstützende Inhalte zur Beantwortung von Benutzerfragen:

1. Ein Benutzer stellt eine Frage
2. Das System identifiziert relevante Entitäten innerhalb der Abfrage
3. Der Wissensgraph (und/oder die Community-Struktur) wird verwendet, um verwandte Entitäten, Beziehungen und unterstützende Belege zu finden
4. Vernetzter Kontext wird zusammengestellt (häufig über lokale und/oder globale Suchstrategien)
5. Das Sprachmodell generiert eine Antwort, die in diesem beziehungsbewussten Kontext verankert ist

Antworten können transparenter und leichter validierbar sein, da der Kontext aus identifizierbaren Entitäten, Verbindungen und unterstützenden Quellen aufgebaut wird.

Warum GraphRAG wichtig ist

Unternehmensdatenumgebungen, einschließlich Product Lifecycle Management (PLM)-Lösungen, sind hochgradig vernetzt. Produkte sind mit Komponenten, Anforderungen, technischen Änderungen, Lieferanten, Fertigungsprozessen und regulatorischen Verpflichtungen verknüpft. In solchen Umgebungen erfordert die Beantwortung einer Frage häufig das Verständnis, wie Informationen über den gesamten Lebenszyklus hinweg miteinander verbunden sind – nicht nur das Abrufen eines Dokuments.

GraphRAG unterstützt:

• Genaueres Schließen über komplexe Produktstrukturen hinweg: Hilft KI-Systemen zu interpretieren, wie Komponenten, Anforderungen und Änderungen in vernetzten Produktdaten zusammenhängen
• Verbesserte Nachverfolgbarkeit entlang des Digital Thread: Ermöglicht Transparenz über Lebenszyklusverbindungen von der Konstruktion über Fertigung bis hin zum Service
• Reduziertes Risiko von KI-Halluzinationen: Fördert Antworten, die auf vernetzten Belegen basieren, anstatt auf unbelegten Annahmen
• Höhere Erklärbarkeit und Auditierbarkeit: Macht nachvollziehbar, wie eine Antwort über zusammenhängende Informationen hinweg entstanden ist
• Stärkere domänenübergreifende Entscheidungsunterstützung: Verbindet Wissen aus Engineering, Supply Chain, Compliance, Qualität und Betrieb in einem gemeinsamen Schlussfolgerungskontext

GraphRAG ist zudem nützlich für korpusweite Fragestellungen – also solche, die eine Zusammenfassung von Themen und Beziehungen über große Inhaltsmengen hinweg erfordern –, bei denen einfaches Snippet-Retrieval oft an seine Grenzen stößt.

Aras-Beispiel:
GraphRAG-gestützte Inhaltsanalyse mit einem KI-Agenten

In Aras Innovator kann ein GraphRAG-ähnlicher Ansatz einen Knowledge-Discovery-/Content-Analysis-Service antreiben, der in die konversationelle Erfahrung des Aras KI-Assistenten eingebettet ist. Er baut auf fortschrittlicher semantischer Suche auf und geht über reine Abfrageunterstützung hinaus, indem er in Aras Innovator verwaltete Wissensbasen analysiert – einschließlich Dokumenten, Abbildungen und anderen unstrukturierten oder teilstrukturierten Inhalten –, um Antworten zu liefern, die auf Bedeutung, Verknüpfung und Kontext beruhen, nicht nur auf Retrieval.

Ein zentraler Mehrwert dieses Ansatzes ist das Aufdecken impliziter Beziehungen, die in PLM-Strukturen nie formell modelliert wurden – beispielsweise die Identifizierung von Verbindungen zwischen einem Dokument und zahlreichen referenzierten Teilenummern, selbst wenn diese Beziehungen nicht explizit angelegt wurden. Dies ermöglicht reichhaltigere Konversationen entlang des Digital Thread, da Benutzer Fragen stellen können, die eine Synthese über Produktinformationen und zugehörige Inhalte hinweg erfordern.

Beispiel für eine zeitbezogene Untersuchung:
Inhalte verändern sich im Laufe der Zeit; daher muss die Untersuchung von Beziehungen im Kontext des Zeitpunkts erfolgen, zu dem eine Produktversion entwickelt oder geändert wurde, zum Beispiel:
„Welche Anforderungen haben die Konstruktionsentscheidungen für die Produktversion beeinflusst, die im Feld ausgefallen ist?“

Eine GraphRAG-gestützte Inhaltsanalyse kann Belege und abgeleitete Verknüpfungen im Kontext des relevanten historischen Zeitraums zusammenführen und so verlässlichere Antworten für Produkte mit langen Lebenszyklen ermöglichen.

Traditionelles RAG	GraphRAG
Ruft Dokumentfragmente ab	Ruft Entitäten/Beziehungen plus unterstützende Inhalte ab
Basiert häufig auf Vektorähnlichkeit/Stichwortbewertung	Nutzt graphabgeleiteten Kontext und unterstützt lokale/globale Abfragestrategien
Kontext wird hauptsächlich aus Textblöcken aufgebaut	Kontext wird aus vernetztem Unternehmenswissen + unterstützendem Text aufgebaut
Begrenztes domänenübergreifendes Schließen	Multi-Hop-Schlussfolgern über Domänen und Quellen hinweg
Schlussfolgerungspfade schwerer nachvollziehbar	Besser erklärbares Schließen durch Entitäten, Beziehungen und Quellen

Traditionelles RAG eignet sich gut für Dokumentensuche und -zusammenfassung. GraphRAG ist besser geeignet für Schlussfolgerungen über strukturierte, vernetzte Systeme und große unternehmensweite Wissensbasen.

Wie GraphRAG KI-Halluzinationen reduziert

KI-Halluzinationen treten auf, wenn ein Modell plausible, aber unbelegte Informationen generiert. GraphRAG mindert dieses Risiko durch:

• Verankerung von Antworten in identifizierbaren Entitäten und unterstützenden Quellen: Hält Antworten an das gebunden, was in der unternehmensweiten Wissensbasis tatsächlich existiert.
• Beziehungsbewussten Kontextaufbau: Fördert ein Schließen entlang vernetzter Belege statt freier Assoziationen.
• Beschränkung des Kontexts auf freigegebene, vernetzte Datenquellen: Reduziert die Wahrscheinlichkeit unbelegter Behauptungen.
• Nachvollziehbare Schlussfolgerungspfade über verwandte Entitäten hinweg: Erleichtert die Überprüfung, wie eine Antwort zustande kam.

Mit GraphRAG werden Antworten aus vernetztem, überprüfbarem Wissen generiert und sind dadurch konsistenter und belastbarer in Unternehmensumgebungen.

Häufige Anwendungsfälle

GraphRAG ist besonders nützlich in Szenarien, die Schlussfolgerungen über vernetzte Systeme hinweg erfordern, darunter:

• Auswirkungsanalyse technischer Änderungen: Identifizieren, wie eine Konstruktionsänderung verbundene Komponenten, Lieferanten, Anforderungen und Compliance-Verpflichtungen beeinflusst
• Anforderungsrückverfolgbarkeit über Produktstrukturen hinweg: Nachverfolgen, wie Anforderungen mit Teilen, Systemen und nachgelagerten Abhängigkeiten verknüpft sind
• Analyse von Lieferkettenrisiken und -abhängigkeiten: Aufzeigen, wie Störungen oder Änderungen bei einem Lieferanten verbundene Komponenten oder Produkte beeinflussen
• Regulatorische und Compliance-Untersuchungen über Lebenszyklusdaten hinweg: Analysieren, wie Vorschriften auf miteinander verknüpfte Produktinformationen und unterstützende Dokumentation angewendet werden
• Domänenübergreifende Produktintelligenz: Verknüpfen von Engineering-, Fertigungs- und Servicewissen, um eine vollständigere operative Sicht zu ermöglichen

In jedem Fall hängt die Antwort davon ab, zu verstehen, wie Datenelemente systemübergreifend miteinander in Beziehung stehen.