Handbücher · Wissensgraphen
GraphRAG
Lernziele
- Du beschreibst die vier Indexschritte von GraphRAG und den Unterschied zwischen lokaler und globaler Abfrage.
- Du ordnest LazyGraphRAG, LightRAG und fast-graphrag danach ein, welchen teuren Schritt sie einsparen.
- Du benennst die Kosten und den Verlust an Treue, die GraphRAG mit sich bringt.
GraphRAG · engl. GraphRAGEin Verfahren von Microsoft Research: Ein Modell baut aus einem Textbestand einen Graphen, fasst dessen Gruppen zusammen und beantwortet Fragen aus diesen Zusammenfassungen.Im Glossar ist RAG · engl. retrieval-augmented generationEin Verfahren, bei dem Dokumente in Abschnitte zerlegt und als Embeddings gespeichert werden. Zu jeder Frage holt das System die ähnlichsten Abschnitte, und das Modell antwortet aus ihnen.Im Glossar, dessen Index ein Graph ist, gebaut aus dem Bestand selbst. Er ersetzt den Stapel eingebetteter Textabschnitte. Die maßgebliche Fassung ist das Paper From Local to Global von Microsoft Research aus dem Jahr 2024. Es zielt auf die Fragen, die Vektor-RAG am schlechtesten beantwortet: Fragen über den Bestand als Ganzes.
Im Praxisprojekt zeigt die Lektion GraphRAG und wo es hinpasst, welche Teile ein gepflegter Vault schon mitbringt. Hier geht es um das Verfahren selbst und um das, was 2026 daraus geworden ist.
Das Muster
Alle vier Schritte laufen beim Indexieren, bevor die erste Frage kommt.
Schritt 1 von 5
Entitäten extrahieren
Ein Sprachmodell liest jeden Textabschnitt und gibt Entitäten und Beziehungen aus, meist als Tripel (Subjekt, Prädikat, Objekt) mit kurzer Beschreibung.
Die Community · engl. communityEine Gruppe von Knoten, die untereinander dicht verbunden sind und zum Rest des Graphen wenige Kanten haben. Algorithmen wie Leiden finden sie automatisch.Im Glossar-Berichte sind der Grund, warum „Was sind die Hauptthemen?“ mit GraphRAG eine Antwort bekommt. Jeder Bericht fasst einen dicht verbundenen Teil des Bestands zusammen, und zusammen decken sie den ganzen Bestand ab.
Microsoft GraphRAG und seine Nachfolger
Das Repository microsoft/graphrag erhält nur noch Wartung: Fehlerbehebungen und Sicherheitspatches. Neue Funktionen kommen nicht mehr dazu. Lies es als Referenzimplementierung. Als Framework für ein neues Projekt taugt es nach unserer Einschätzung nicht mehr.
Die Weiterentwicklung findet in billigeren Nachfolgern statt. Nach unserer Einschätzung wählen die meisten neuen Projekte 2026 einen von ihnen. Sie unterscheiden sich darin, welchen teuren Schritt sie weglassen oder verschieben:
| Verfahren | Was es einspart |
|---|---|
| LazyGraphRAG | alle Modellaufrufe beim Indexieren, auch die Zusammenfassungen vorab |
| LightRAG | Neuindexieren: Graph und Vektorindex wachsen inkrementell |
| fast-graphrag | Community-Berichte: Personalized PageRank statt Zusammenfassungen |
LazyGraphRAG verschiebt jeden Modellaufruf auf den Zeitpunkt der Abfrage und braucht keine Zusammenfassungen vorab. Microsoft gibt die Indexkosten mit 0,1 % der Kosten von GraphRAG an. Seit Juni 2025 steckt das Verfahren in Microsoft Discovery und, als Vorschau, in Azure Local. Die offene Bibliothek enthält es nicht. LightRAG erschien als Paper auf der EMNLP 2025 und wird weiter aktiv entwickelt. fast-graphrag ist nicht archiviert, hat aber seit Nov. 2025 keine neuen Commits. Welche Werkzeuge 2026 sonst zur Wahl stehen, zeigt die Lektion Werkzeuge.
Kosten und Zielkonflikte
Die ursprüngliche Pipeline ist auf eine bestimmte Art teuer. Jeder Textabschnitt geht beim Ingest durch ein Modell. Danach wird jede Community zusammengefasst, und die Zusammenfassungen werden die Hierarchie hinauf erneut zusammengefasst. Schon ein mittelgroßer Bestand kostet so echtes Geld, und jede Neuindexierung nach Änderungen kostet es wieder. Diese Kosten wollen die Nachfolger vermeiden: durch Faulheit bis zur Abfrage, durch inkrementelle Updates oder durch den Verzicht auf Zusammenfassungen.
Der leisere Zielkonflikt betrifft die Treue zur Quelle. Die Extraktion presst Nuancen in Tripel. Ein Vorbehalt, eine Datumsangabe oder die Frage, wer etwas gesagt hat, kann dabei verschwinden. Community-Berichte sind Zusammenfassungen und erben jeden Fehler, den ein Modell beim Verdichten von Text macht. GraphRAG beantwortet globale Fragen, an denen Vektor-RAG scheitert. Seine Antworten stehen dafür eine weitere modellgeschriebene Schicht von deinen Quellen entfernt.
Wann es sich lohnt
GraphRAG lohnt sich bei großen, ungepflegten Beständen mit echten Multi-Hop- und Themenfragen. Den Schwellentest dafür liefert die Lektion Warum Wissensgraphen. In einem gepflegten persönlichen Vault hast du die Extraktion schon von Hand erledigt. Nützlich bleibt dort die Form der Pipeline, und die beschreibt die Lektion Graphen mit LLMs bauen.
Merksätze
- GraphRAG indexiert in vier Schritten: extrahieren, Graph bauen, Communities erkennen, Communities zusammenfassen.
- Lokale Fragen laufen durch den Graphen, globale Fragen per Map-Reduce über die Community-Berichte.
- Microsofts Repository ist Referenz im Wartungsmodus. Die Nachfolger sparen Zusammenfassungen, Neuindexierung oder Modellaufrufe beim Indexieren.
- Jede Neuindexierung kostet die Modellaufrufe erneut, und jede Zusammenfassung entfernt die Antwort weiter von der Quelle.
- Für große, ungepflegte Bestände lohnt es sich. Ein gepflegter Vault hat die Extraktion schon erledigt.
Prüf dich selbst
Denkfrage
Warum beantwortet GraphRAG „Was sind die Hauptthemen?“ und Vektor-RAG nicht?
Vektor-RAG holt die ähnlichsten Abschnitte, und keiner davon enthält die Themen des ganzen Bestands. GraphRAG hat beim Indexieren Communities gebildet und für jede einen Bericht geschrieben. Eine globale Frage geht über alle Berichte, und das Modell fügt die Teilantworten zusammen.
Denkfrage
Dein Bestand ändert sich täglich. Welches Problem bekommst du mit der ursprünglichen Pipeline?
Sie ist für das Indexieren in einem Durchgang gebaut. Nach jeder Änderung müssten Extraktion und Zusammenfassungen neu laufen, und jeder Lauf kostet die Modellaufrufe erneut. Inkrementelle Nachfolger wie LightRAG oder ein faules Verfahren wie LazyGraphRAG vermeiden das.
Prüf dich selbst
Quellen
- From Local to Global: A Graph RAG Approach to Query-Focused Summarization
Extraktion, Leiden-Communities, Berichte, Map-Reduce für globale Fragen.
- microsoft/graphrag
Referenzimplementierung, nur noch Fehlerbehebungen und Updates von Abhängigkeiten. Stand: Nov. 2026.
- LazyGraphRAG: Setting a new standard for quality and cost
Indexkosten laut Microsoft 0,1 % von GraphRAG. Nachtrag Juni 2025: in Microsoft Discovery und Azure Local.
- LightRAG: Simple and Fast Retrieval-Augmented Generation
EMNLP 2025, Graph plus Vektorindex, inkrementell.
- fast-graphrag
Personalized PageRank. Seit Nov. 2025 ohne neue Commits.