# Was ist GraphRAG? Der Hybrid-Ansatz erklärt | APRIXITY > Source: https://aprixity.run/de/wissen/framework/was-ist-graphrag ### Cookie-Einstellungen Ich verwende Cookies, um Ihre Erfahrung zu verbessern und meinen Service zu optimieren. #### Notwendig Immer aktiv Diese Cookies sind für die Grundfunktionen der Website erforderlich. #### Analyse & Performance Diese Cookies helfen mir zu verstehen, wie Sie meine Website nutzen, um diese zu verbessern. - Google Analytics 4 (Besucherstatistiken) - Seitenaufrufe und Navigation - Interaktionen und Events Alle akzeptierenAuswahl speichernAlle ablehnen Weitere Informationen finden Sie in meiner [Datenschutzerklärung](/de/datenschutz) [Zum Hauptinhalt springen](#main-content) [![APRIXITY Logo](/logo-64.png)APRIXITY](/de/) [KI-Beratung](/de/ki-beratung-hannover)[Sanierung](/de/sanierung)[Immobilien](/de/osiris)MethodeWissen[Über mich](/de/#about) 🇩🇪Deutsch [Check](/de/engpass-check)[Gespräch](https://cal.aprixity.run/melvin-aprixity.run/catch-up) 🇩🇪Deutsch [Alle anzeigen](/de/wissen) Framework Für Kunden Fortgeschritten # Was ist GraphRAG? Der Hybrid-Ansatz für präzise AI-Antworten Wie GraphRAG Knowledge Graphs mit RAG verbindet, wo der Vorteil messbar ist und wo nicht. 4 Min. Lesezeit1360 AufrufeAktualisiert: 30.7.2026 ## TL;DR GraphRAG kombiniert Knowledge Graphs mit RAG und folgt Beziehungen, statt nur ähnliche Texte zu finden. Der Vorteil liegt beim mehrstufigen Schließen (53,4 zu 42,9 auf GraphRAG-Bench). Beim einfachen Faktenabruf liegt klassisches RAG vorn. ## Wichtigste Erkenntnisse ### Hybrid-Ansatz Kombiniert Graph-Traversierung mit semantischer Suche ### Enger, aber echter Vorteil Auf GraphRAG-Bench gewinnen Graphverfahren beim mehrstufigen Schließen, nicht beim Faktenabruf ### Kompression Nur der relevante Subgraph geht ans LLM statt ganzer Dokumente ### Multi-Hop Reasoning Kann Beziehungen über mehrere Ebenen verfolgen ## Das Problem mit klassischem RAG RAG (Retrieval Augmented Generation) ist der Standard um LLMs mit externem Wissen zu verbinden. Der Ablauf: 1. Dokumente werden in Chunks zerlegt und als Vektoren gespeichert 2. Bei einer Frage wird der semantisch ähnlichste Chunk gesucht 3. Dieser Chunk wird als Kontext ans LLM gegeben Das Problem: **Beziehungen gehen verloren.** Wenn Sie fragen "Warum stockt der Deal Mozartstraße?", muss das System verstehen: - Deal Mozartstraße ist verbunden mit Objekt Mozartstraße - Objekt Mozartstraße hat einen fehlenden Energieausweis - Der Energieausweis fehlt seit 8 Tagen - Der zuständige Anbieter wurde 2x kontaktiert Diese Information ist über mehrere Dokumente und Datenpunkte verteilt. Vector RAG findet die Bruchstücke, führt sie aber nicht zusammen. ## GraphRAG: Der Hybrid-Ansatz GraphRAG löst das durch einen zweistufigen Prozess: ### Stufe 1: Entity Extraction & Graph Building Aus Ihren Daten werden Entitäten (Kunden, Objekte, Deals, Dokumente) und ihre Beziehungen extrahiert und in einem Knowledge Graph gespeichert. \[Deal: Mozartstraße\] | |--BETRIFFT--> \[Objekt: Mozartstraße 15\] | | |--FEHLT--> \[Dokument: Energieausweis\] | | |--KONTAKTIERT--> \[Anbieter: EnergieCheck GmbH\] | Status: "2x kontaktiert, keine Antwort" ### Stufe 2: Graph-Augmented Retrieval Bei einer Frage passiert Folgendes: 1. **Entity Recognition:** "Deal Mozartstraße" wird im Graph identifiziert 2. **Graph Traversal:** Das System folgt den Beziehungen (BETRIFFT, FEHLT, KONTAKTIERT) 3. **Subgraph Extraction:** Nur die relevanten Knoten und Kanten werden extrahiert 4. **Context Compression:** Der Subgraph wird in kompakten Text umgewandelt, statt ganze Dokumente mitzugeben 5. **LLM Generation:** Das LLM antwortet basierend auf dem komprimierten, aber vollständigen Kontext ## Was die Messungen zeigen An dieser Stelle stehen in vielen Texten Zahlen wie "3,4x genauer" oder "100x weniger Token". Beide halten einer Prüfung nicht stand. Belegen lässt sich Folgendes. **Beim einfachen Faktenabruf liegt klassisches RAG vorn.** GraphRAG-Bench vergleicht beide Ansätze auf denselben Aufgaben: klassisches RAG mit Reranking erreicht 60,9 Punkte Genauigkeit, das beste Graphverfahren 60,1, Microsofts GraphRAG im globalen Modus 36,9. **Bei verketteten Fragen kehrt sich das um.** Auf denselben Daten, bei Fragen die mehrere Fakten verbinden: 53,4 für das beste Graphverfahren gegen 42,9 für klassisches RAG. **Der Effekt schwankt stark je nach Datensatz.** HippoRAG hebt den Recall@5 auf 2WikiMultiHopQA von 68,2 auf 89,5, auf MuSiQue dagegen nur von 49,2 auf 52,1. **Bei fairem Token-Budget schrumpft der Vorsprung.** Graph-Verfahren holen sich pro Anfrage mehr Kontext. Gibt man klassischem RAG dasselbe Budget, steigt es auf MultiHop-RAG von 65,8 auf 71,0 Punkte und liegt damit gleichauf mit dem Graph-Verfahren (71,2). Übrig bleibt ein Vorsprung bei zeitbezogenen und vergleichenden Fragen: 43,7 gegen 49,1. **Zum Token-Verbrauch steht die verbreitete Behauptung auf dem Kopf:** Graph-Verfahren brauchen mehr Token, nicht weniger. Auf GraphRAG-Bench liegt klassisches RAG bei 879 Token pro Anfrage, Microsofts GraphRAG lokal bei 38.707 und global bei 331.375. Microsofts belegte Einsparung von 9 bis 43 gilt gegenüber der Zusammenfassung der Rohtexte, nicht gegenüber der Vektorsuche. Wer GraphRAG einsetzt, kauft Fähigkeit, nicht Ersparnis. **Vorsicht bei Bewertungen durch ein zweites Sprachmodell.** Zeng et al. ließen ein Verfahren gegen eine identische Kopie seiner selbst antreten. Das übliche Protokoll erklärte die eine Kopie mit 90 zu 10 zum Sieger. Positions- und Längeneffekte erzeugen Vorsprünge, wo keine sind. Microsoft bewertet die Antwortqualität über ein zweites LLM als Schiedsrichter, nicht über eine Genauigkeitsmetrik. Beim Kriterium Direktheit gewinnt Vector RAG in allen Vergleichen. ## Warum überhaupt komprimieren? Der Grund ist nicht nur der Preis. Die Position einer Information im Kontextfenster entscheidet mit darüber, ob das Modell sie nutzt. Liu et al. haben das gemessen: Steht die entscheidende Stelle in der Mitte eines langen Kontexts, fällt GPT-3.5-Turbo im Multi-Dokument-QA unter den Wert, den es ganz ohne Dokumente erreicht (56,1 Prozent). Ein größeres Kontextfenster behebt das nicht. **Vector RAG:** Gibt ganze Dokument-Chunks ans LLM, oft mehrere. **GraphRAG:** Gibt nur den extrahierten Subgraph ans LLM: Kontext für LLM: - Deal: Mozartstraße (Status: Stockt) - Grund: Energieausweis fehlt seit 8 Tagen - Anbieter: EnergieCheck GmbH (2x kontaktiert, keine Antwort) - Aktion: Alternative Anbieter verfügbar Weniger Kontext heißt hier nicht nur weniger Kosten, sondern weniger Platz, an dem eine wichtige Angabe untergehen kann. ## Multi-Hop Reasoning Die Killer-Fähigkeit von GraphRAG: Fragen beantworten die mehrere "Sprünge" durch den Graph erfordern: **1-Hop:** "Welche Dokumente fehlen bei Deal Mozartstraße?" **2-Hop:** "Welche Kunden haben Deals mit fehlenden Dokumenten?" **3-Hop:** "Welche Notare betreuen Deals von Kunden aus Hamburg?" Jeder Hop ist eine Beziehung im Graph. Vector RAG kann solche Fragen über wiederholtes Suchen ebenfalls lösen, braucht dafür aber mehrere Durchläufe und verliert dabei häufiger den Faden. ## Wann GraphRAG nutzen? Use Case Vector RAG GraphRAG Dokumenten-QA ("Was steht im Vertrag?") Stark Gleichauf Einzelne Fakten nachschlagen Stark Eher schwächer Beziehungsfragen ("Wer betreut wen?") Schwach Kernstärke Aggregationen ("Wie viele Deals stocken?") Unzuverlässig Native Diagnose ("Warum stockt Deal X?") Rät bei Lücken Folgt dem Pfad CRM/ERP Integration Umständlich Native ## Wie Osiris GraphRAG implementiert Osiris nutzt Neo4j als Knowledge Graph Backend und implementiert GraphRAG so: 1. **Kontinuierliche Extraktion:** Daten aus PropStack/CRM werden laufend in den Graph synchronisiert 2. **Schema-Design:** Immobilien-spezifische Ontologie (Objekt, Deal, Kunde, Dokument, Aktivität) 3. **Cypher Queries:** Optimierte Graph-Queries für typische Fragen 4. **MCP Integration:** Das LLM fragt Osiris via Model Context Protocol 5. **Context Compression:** Subgraphen werden in LLM-optimierte Prompts umgewandelt [→ Osiris im Detail ansehen](/de/osiris) ## Häufig gestellte Fragen ### Brauche ich GraphRAG wenn ich nur Dokumente durchsuchen will? Nein, für reine Dokumenten-Suche reicht Vector RAG. GraphRAG lohnt sich wenn Sie Beziehungsfragen haben, CRM/ERP-Daten integrieren oder Diagnosen stellen wollen ('Warum stockt X?'). ### Ist GraphRAG komplizierter zu implementieren? Ja, Schema-Design und Entity Extraction kommen dazu. Der Aufwand lohnt sich bei Fragen, die mehrere Fakten verketten, und wenn nachvollziehbar sein muss, wie eine Antwort zustande kam. Für reines Nachschlagen lohnt er sich nicht. ### Kann ich GraphRAG auch ohne Knowledge Graph nutzen? Theoretisch ja, mit 'flachen' Graphen aus Dokumenten (Entity-Extraction on-the-fly). Aber für Business-Daten (CRM, ERP) brauchen Sie einen persistenten Knowledge Graph für Konsistenz und Performance. ## Quellen 1. [When to use Graphs in RAG: A Comprehensive Analysis (GraphRAG-Bench)](https://arxiv.org/abs/2506.05690) - Xiang et al., ICLR 2026 (2025) 2. [HippoRAG: Neurobiologically Inspired Long-Term Memory for LLMs](https://arxiv.org/abs/2405.14831) - Gutiérrez et al., NeurIPS 2024 (2024) 3. [From Local to Global: A Graph RAG Approach to Query-Focused Summarization](https://arxiv.org/abs/2404.16130) - Edge et al., Microsoft Research (2024) 4. [Lost in the Middle: How Language Models Use Long Contexts](https://arxiv.org/abs/2307.03172) - Liu et al., TACL (2024) ### Anwendungsfälle - Business Intelligence - CRM Integration - Process Diagnosis - Multi-Source Analytics ### Voraussetzungen - Grundverständnis von RAG - Basis Knowledge Graphs ### Aufwand MVP-Scope, iterativ erweiterbar Nächster Schritt ## Wissen wird erst im Prozess wertvoll. Prüfen Sie, wo Ihr größter Engpass liegt, oder vertiefen Sie die Methode in der Academy. [Engpass-Check](/de/engpass-check)[Zur Wissensübersicht](/de/wissen) APRIXITY KI-First Business Transformation für Premium Service Businesses apricity: the warmth of the sun on a cold winter day ### Framework - [KI-Beratung Hannover](/de/ki-beratung-hannover) - APRIXITY Stack - Über APRIXITY - AI-First Definition ### Ressourcen - Wissenshub - [Aprixity Briefing](/de/briefing) - [Entwicklerressourcen](/de/developers) ### Rechtliches - [Datenschutz](/de/datenschutz) - [Impressum](/de/impressum) - [AGB](/de/agb) - Cookie-Einstellungen ### Kontakt - [Email](mailto:kontakt@aprixity.run) - [APRIXITY on LinkedIn](https://www.linkedin.com/company/aprixity) - [Melvin Voigtländer](https://www.linkedin.com/in/melvin-voigtländer-9767ba192/) - [Gespräch](https://cal.aprixity.run/melvin-aprixity.run/catch-up) © 2026 APRIXITY. Alle Rechte vorbehalten. Engineered in Hannover, Germany•Hosted on Hetzner