---
term: "GraphRAG"
slug: "graphrag"
glossar_id: "G315"
variants: []
category: "embeddings-suche-und-retrieval-augmented-generation"
marker: "Technik"
short: "RAG unter Einbezug von Graphstrukturen und Beziehungen zwischen Informationen."
sources:
  - label: "Edge et al.: From Local to Global, A Graph RAG Approach"
    url: "https://arxiv.org/abs/2404.16130"
  - label: "Hogan et al.: Knowledge Graphs"
    url: "https://arxiv.org/abs/2003.02320"
status: "entwurf"
updated: "2026-09-21"
---

GraphRAG baut aus einer Dokumentensammlung zuerst einen Graphen aus Entitäten und ihren Beziehungen und benutzt diesen für die Beantwortung von Fragen. Der Anlass ist eine Schwäche der üblichen Bauform: Fragen, die sich auf den gesamten Bestand beziehen, etwa nach den Hauptthemen einer Sammlung, lassen sich nicht durch das Abrufen einzelner Abschnitte beantworten. [Edge et al.](https://arxiv.org/abs/2404.16130)

## Erst den Graphen bauen, dann zusammenfassen

Der Aufbau geschieht vorab und mit Modellhilfe: Aus den Texten werden Entitäten und Beziehungen gezogen, daraus entsteht ein Graph, und für zusammenhängende Bereiche dieses Graphen werden Zusammenfassungen erstellt. Eine Frage an den Gesamtbestand wird dann über diese Zusammenfassungen beantwortet statt über einzelne Fundstellen.

Der Preis ist die Vorarbeit. Der Graph muss erzeugt, gepflegt und bei Änderungen nachgezogen werden, was Rechenzeit vor der ersten Frage kostet.

## So kannst du dir das vorstellen

Die übliche Suche liefert dir Zettel zu einem Stichwort. Der Graph ist dagegen die Übersicht, wer mit wem zu tun hat, mit einer kurzen Beschreibung je Gruppe. Für die Frage „was sind die großen Linien" hilft die Übersicht, für „was steht in Paragraf 7" der Zettel. Das Bild erklärt die verschiedenen Fragearten, es bewertet kein konkretes System.

## Was es in der Praxis bedeutet

Sinnvoll ist der Aufwand, wenn Fragen über viele Dokumente hinweg gestellt werden und Beziehungen wichtig sind, etwa bei Ermittlungen, Marktübersichten oder Beteiligungsstrukturen. Für die häufige Frage nach einer bestimmten Stelle in einem Dokument bleibt die gewöhnliche Suche günstiger und genauer.

Zu bedenken ist außerdem die Qualität der Extraktion: Der Graph ist von einem Modell gebaut und enthält dessen Fehler. Namensvarianten derselben Person werden zu zwei Knoten, Beziehungen werden erfunden oder übersehen. Diese Fehler wirken dauerhaft, weil sie in die Struktur eingehen. [Hogan et al.](https://arxiv.org/abs/2003.02320)

## Wo es verwechselt wird

GraphRAG ist nicht dasselbe wie ein gepflegter Wissensgraph im Unternehmen: Hier baut ein Modell die Struktur aus Texten, dort pflegen Menschen sie nach einem Schema. Und es ersetzt die gewöhnliche Suche nicht, sondern ergänzt sie für andere Fragearten.

## Verwandte Begriffe

**Knowledge Graph**, **Retrieval-Augmented Generation**, **Chunk**, **Retriever**, **Agentic RAG**.