Landkarte · Glossar

Glossar für GraphRAG-Fachwörter

Das Glossar ist die Fachwort-Schicht des Compass: Es erklärt Begriffe, die im GraphRAG-Umfeld häufig auftauchen, ohne aus jedem Begriff eine eigene Konzeptseite zu machen.

Alphabetisch

43 Begriffe

Fachwort-Schicht

Glossar erklärt Begriffe. Grundlagen erklären große Konzepte. Praxis nutzt die Begriffe im Anwendungskontext.

43 von 43 Begriffen

A

A2A: Agent-to-Agent-Muster für strukturierte Übergaben zwischen spezialisierten Agenten.
Agent Memory: Kontrollierter Speicher für länger nutzbare Fakten, Präferenzen, Entscheidungen und offene Punkte.
ANN: Approximate Nearest Neighbor: Näherungssuche für große Vektorbestände. Sie findet fast passende nächste Nachbarn deutlich schneller, weil nicht jeder Vektor exakt geprüft wird.
Approximate Nearest Neighbor: Suchprinzip für große Embedding-Bestände. ANN tauscht etwas garantierte Exaktheit gegen viel Geschwindigkeit und muss deshalb über Recall@k und passende Indexparameter geprüft werden.

C

Chunk: Textabschnitt aus einer Quelle, der gesucht, gerankt und als Kontext an ein Modell gegeben werden kann.
Claim: Belegte Aussage, die zusammen mit Herkunft, Gültigkeit und Review-Status weitergeführt wird. Manche GraphRAG- oder Knowledge-Graph-Systeme nutzen diesen Begriff für extrahierte Aussagen.
Context Graph: Graph des laufenden Arbeitszustands einer Aufgabe mit Zielen, Quellen, Claims und Entscheidungen.
Cytoscape: JavaScript-Bibliothek zur interaktiven Graphvisualisierung. Nützlich für Knoten, Kanten, Cluster, Pfade, Nachbarschaften und Explainability-Ansichten.

E

Embedding: Numerische Repräsentation von Text, Bild oder Objekt. Ähnliche Bedeutungen liegen im Vektorraum näher beieinander und können semantisch gesucht werden.
Entity Resolution: Zusammenführen verschiedener Namen, IDs oder Aliasse, die dieselbe reale Entität meinen.

F

FAISS: Open-Source-Bibliothek von Meta AI für effiziente Similarity Search und Vektorindizes. Wichtig als technischer Baustein, nicht als eigenes Compass-Konzept.

G

Graph Construction: Pipeline, die aus Quellen Knoten, Kanten, Eigenschaften, Provenance und Update-Regeln erzeugt.
Graph Expansion: Erweiterung eines gefundenen Knotens um relevante Nachbarn, Pfade oder Subgraphen. GraphRAG nutzt sie, um aus Texttreffern Zusammenhang zu machen.
GraphRAG: Retrieval-Augmented Generation, bei der Graphkontext wie Entitäten, Beziehungen, Pfade oder Communities in die Antwort einfließt.

H

Hierarchical Navigable Small World: Indexverfahren für schnelle Vektorsuche. HNSW baut ein hierarchisches Netzwerk aus Nachbarschaften, damit Similarity Search nicht den ganzen Bestand durchsuchen muss.
HNSW: Hierarchical Navigable Small World: verbreitetes ANN-Verfahren, das Vektoren als mehrstufiges Nachbarschaftsnetz organisiert und bei der Suche schrittweise zu ähnlichen Kandidaten springt.
Hybrid Retrieval: Kombination mehrerer Suchsignale wie Vektoren, Keywords, Metadaten, Graphnachbarschaft und Reranking.

I

Inferenz: Schlussfolgerung aus sichtbaren Hinweisen. In GraphRAG sollte klar sein, welche Quellen, Daten oder Beziehungspfade diese Schlussfolgerung tragen.

K

Knowledge Graph: Abfragbares Wissensnetz aus Knoten, Kanten, Eigenschaften, Quellen und fachlichen Beziehungen.
Korpus: Abgegrenzte Sammlung von Dokumenten, Texten oder Quellen, die gemeinsam indexiert, durchsucht, analysiert oder zusammengefasst wird. In GraphRAG ist der Korpus oft der Ausgangspunkt für Chunks, Embeddings, Entitäten, Communities und Quellenbelege. Besonders relevant ist das beim Dokument-Graph.

L

LLM: Large Language Model: Sprachmodell, das aus Frage, Prompt und bereitgestelltem Kontext eine Antwort formuliert.

M

MCP: Model Context Protocol: Schnittstelle, über die Agenten kontrolliert Tools, Daten und Kontextserver nutzen.
Metadaten: Zusatzinformationen an Dokumenten, Chunks, Knoten oder Kanten, zum Beispiel Quelle, Version, Datum, Berechtigung, Confidence oder Erzeugungsweg.

N

Named Entity Recognition: NLP-Verfahren zur Erkennung benannter Entitäten wie Personen, Organisationen, Produkte, Orte oder Regelwerke in Texten.
Neighbor Expansion: Form der Graph Expansion: Von einem gefundenen Knoten werden direkte oder mehrstufige Nachbarn verfolgt, um zusätzlichen Kontext zu sammeln.
NER: Named Entity Recognition: Erkennung benannter Entitäten in Texten. In GraphRAG oft ein früher Schritt vor Relation Extraction und Graphaufbau.

O

Ontologie: Bedeutungsmodell einer Domäne: Klassen, Begriffe, Relationen, Regeln und fachliche Grenzen.
OWL: Sprache zur formalen Beschreibung von Klassen, Eigenschaften, Einschränkungen und logischen Ableitungen.

P

Provenance: Herkunft einer Aussage: Quelle, Zeitpunkt, Extraktionslauf, Korrektur oder Review-Entscheidung.
Provenienz: Herkunft einer Aussage: Quelle, Zeitpunkt, Extraktionslauf, Korrektur oder Review-Entscheidung.

R

RAG: Retrieval-Augmented Generation: Ein LLM bekommt vor der Antwort relevante externe Quellen als Kontext.
RDF: Standard zur Darstellung von Aussagen als Tripel aus Subjekt, Prädikat und Objekt.
Relation Extraction: Extraktion von Beziehungen zwischen erkannten Entitäten, zum Beispiel (Artikel 6) -[VERWEIST_AUF]-> (Annex III).
Reranking: Nachsortieren erster Treffer gegen die konkrete Frage, damit fachlich passendere Kontexte weiter oben stehen.

S

Semantic Layer: Operative Bedeutungsschicht zwischen Fachsprache, Datenmodell, Regeln, Rollen und erlaubten Aktionen.
SHACL: Regelsprache zur Validierung von Graphdaten, zum Beispiel Pflichtfelder, Kardinalitäten oder Beziehungsmuster.
Similarity Search: Suche nach ähnlichen Vektoren oder Bedeutungen. In RAG liefert sie Kandidaten, die anschließend gefiltert, gerankt oder mit Graphkontext erweitert werden können.

T

Taxonomie: Ordnungssystem, das Begriffe in Gruppen oder Hierarchien sortiert, zum Beispiel Risiko -> Qualitätsrisiko -> Allergierisiko.
Top-K: Anzahl der besten Treffer, die ein Retriever zurückgibt. K = 5 bedeutet: die fünf ähnlichsten oder passendsten Kandidaten werden weiterverarbeitet.
Traversal: Gezieltes Folgen von Kanten in einem Graphen. Traversals machen Pfade, Nachbarschaften und mehrstufige Zusammenhänge abfragbar.
Tripel: Aussageform aus Subjekt, Relation und Objekt, zum Beispiel (AI Act) -[DEFINIERT]-> (High Risk System). Grundlage vieler RDF- und Knowledge-Graph-Modelle.

V

Vector RAG: RAG-Muster, bei dem semantisch ähnliche Textstellen über Embeddings und einen Vektorindex gesucht werden.
Vektorindex: Suchstruktur für Embeddings. Der Index macht Similarity Search über viele Vektoren schnell und bildet die technische Basis vieler RAG-Systeme.