Ein Wissensgraph (englisch Knowledge Graph) stellt Fakten als Netz von Entitäten und ihren Beziehungen dar – Knoten für Personen, Organisationen oder Konzepte, Kanten für die Verbindungen zwischen ihnen. „Anthropic” – entwickelt – „Claude” ist ein einzelner solcher Fakt.
Diese Struktur unterscheidet sich fundamental von der semantischen Suche in einem Vektorraum: Ein Wissensgraph speichert nicht, wie ähnlich zwei Texte klingen, sondern wie zwei Dinge tatsächlich zusammenhängen.
Zusammenfassung
Klassische Wissensgraphen – etwa Googles Knowledge Graph (seit 2012) oder das offene Projekt Wikidata – wurden von Menschen und regelbasierten Systemen gepflegt, mit hohem manuellem Aufwand pro Fakt.
Mit großen Sprachmodellen kehrte sich diese Reihenfolge um: Statt Wissensgraphen von Hand zu bauen, extrahieren LLMs Entitäten und Beziehungen automatisch aus unstrukturiertem Text. Diese Verbindung von Sprachmodellen und Graphstruktur trägt den Namen GraphRAG.
GraphRAG
GraphRAG wurde 2024 von Microsoft Research vorgestellt (Edge u. a., From Local to Global: A Graph RAG Approach to Query-Focused Summarization) und im Juli 2024 als Open-Source-Werkzeug veröffentlicht. Der Ansatz läuft in zwei Phasen.
In der Indexierungsphase baut ein Sprachmodell aus dem Quellkorpus einen Wissensgraphen auf, gruppiert die entstandenen Entitäten mit einem Community-Detection-Verfahren (dem Leiden-Algorithmus) zu thematischen Clustern und erzeugt für jeden Cluster eine Zusammenfassung. In der Abfragephase nutzt das System diese vorbereiteten Cluster-Zusammenfassungen, um sowohl konkrete Einzelfragen als auch übergreifende Überblicksfragen zu beantworten.
Dieser zweite Fragetyp ist der eigentliche Fortschritt gegenüber gewöhnlicher Retrieval-Augmented Generation: Eine Frage wie „Was sind die zentralen Themen in diesem Korpus?” lässt sich aus einzelnen, per Vektorähnlichkeit gefundenen Textabschnitten kaum beantworten – ein Wissensgraph mit vorbereiteten Zusammenfassungen leistet das.
Wissensgraph gegen Vektorraum
Die beiden Ansätze lösen unterschiedliche Probleme. Vektorbasierte Suche findet Textstellen, die einer Anfrage ähneln – gut für konkrete Detailfragen, deren Antwort in einem einzelnen Abschnitt steht. Ein Wissensgraph macht Beziehungen zwischen Fakten explizit abfragbar – gut für Fragen, die mehrere über den Korpus verstreute Fakten verknüpfen müssen.
Ein Wissensgraph kann außerdem Beziehungen liefern, die in der Ausgangssammlung nirgends direkt so formuliert stehen, sondern erst aus mehreren Einzelaussagen zusammengesetzt werden – ein einzelner Text-Chunk enthält diese Verbindung nicht.
Die beiden Verfahren schließen sich nicht aus. Produktive Systeme kombinieren zunehmend beide: Vektorsuche für schnelle Detailtreffer, Wissensgraph-Abfrage für Fragen, die Struktur und Überblick verlangen.
Verwandte Begriffe
- Symbolische KI – der ältere Zweig, aus dem die Graph-Repräsentation stammt
- Neurosymbolische KI – verwandter Ansatz, der symbolische Struktur mit neuronalen Modellen verbindet
- Agentic AI – nutzt Wissensgraphen zunehmend als Gedächtnisstruktur
Quellenangaben
- Edge, Darren u. a., 2024. From Local to Global: A Graph RAG Approach to Query-Focused Summarization. Microsoft Research. arXiv: 2404.16130.
- Gao, Yunfan u. a., 2024. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv: 2312.10997.