GraphRAG ist Retrieval-Augmented Generation (RAG), erweitert um einen Wissensgraphen: Beim Ingestieren von Dokumenten extrahiert das System Entitäten (Firmen, Personen, Produkte, Chemikalien, Verträge…) und deren Relationen und speichert sie als Graph neben dem üblichen Vektorindex. Bei der Abfrage kann die KI so Verbindungen über Dokumente hinweg verfolgen, statt nur ähnliche Textstellen zu finden.
Wo reines Vektor-RAG an die Wand fährt
Klassisches RAG bettet Dokument-Chunks als Vektoren ein und holt die zur Frage ähnlichsten Passagen. Das funktioniert für Punktabfragen — was sagt Klausel 7.2? — scheitert aber an Fragen, deren Antwort über mehrere Dokumente verteilt ist: welche unserer Lieferanten sind von den Klauseländerungen 2025 betroffen? Kein einzelner Chunk enthält diese Antwort — also kann keine Ähnlichkeitssuche sie finden.
Wie GraphRAG funktioniert
- Entitäts- und Relationsextraktion. Ein LLM extrahiert beim Ingestieren typisierte Entitäten und Relationen, validiert gegen eine Ontologie (ein festes Schema erlaubter Typen und Relationen), damit der Graph sauber bleibt.
- Entitätsauflösung. Erwähnungen wie «Nestlé SA», «Nestlé» und «NESN» werden zu einem kanonischen Knoten zusammengeführt, damit sich Fakten über dieselbe Sache verbinden.
- Community-Zusammenfassungen. Cluster verwandter Entitäten werden vorab zusammengefasst — eine Art Inhaltsverzeichnis für breite Fragen.
- Graph-bewusstes Retrieval. Eine Abfrage findet zuerst Seed-Entitäten und traversiert dann deren Relationen — und holt so Fakten aus Dokumenten, die reine Vektorsuche nie finden würde: Multi-Hop-Reasoning.
GraphRAG vs. Vektor-RAG
| Vektor-RAG | GraphRAG | |
|---|---|---|
| Lookups in einem Dokument | Exzellent | Exzellent |
| Multi-Hop-Fragen über Dokumente | Schwach | Stark |
| «X übers Portfolio vergleichen» | Verpasst Dokumente | Traversiert Relationen |
| Breite «Was wissen wir über…» | Fragmentarisch | Community-Zusammenfassungen |
| Ingestionskosten | Tief | Höher (Extraktion) |
GraphRAG in SovraRAG
SovraRAG kombiniert mehrsprachige semantische und Stichwort-Suche mit einem Wissensgraphen aus Ihren Dokumenten. Komplexe Fragen starten zusätzlich agentisches Reasoning, das die Frage Schritt für Schritt über Graph und Korpus recherchiert. In internen Multi-Hop-Benchmarks (HotpotQA-artig, Retrieval übers ganze Korpus) verbesserte die agentische GraphRAG-Pipeline die Exact-Match-Genauigkeit um rund einen Drittel gegenüber einer Single-Pass-Vektor-Baseline — bei tieferer Median-Latenz. Die gesamte Pipeline inklusive Graph-Extraktion läuft auf Schweizer Infrastruktur.