Zum Inhalt springen
GraphRAG Compass
  • Grundlagen
  • Architekturen
  • Praxis
  • Business Cases
  • Lernpfad
  • Simulation
  • Landkarte
GraphRAG Compass

Öffentlicher Field Guide für GraphRAG, Knowledge Graphs, AI-Architekturen und bessere Entscheidungen in komplexen Wissenssystemen.

Erkunden

  • Grundlagen
  • Architekturen
  • Praxis
  • Business Cases
  • Simulation
  • Landkarte

Lernen

  • Lernpfad
  • Mini-Use-Case
  • GraphRAG Poster
  • Glossar

Über

  • About
  • LinkedIn

Discovery

  • llms.txt
  • llms-full.txt
  • sitemap.xml

Rechtliches

  • Impressum
  • Datenschutz

© 2026 Meierhoff Systems · GraphRAG Compass

Orientierung für Entscheidungen in Wissenssystemen

Zurück zu Graph-Typen

Graph-Typ · Semantische Basis

Wissensgraph

Ein Wissensgraph macht Wissen explizit: Dinge, Beziehungen, Eigenschaften, Quellen und Bedeutung werden als abfragbares Netz modelliert.

Zweck
Struktur
Use Cases
Tools

Welche Dinge und Beziehungen müssen explizit werden, damit das System sinnvoll fragen, erklären und prüfen kann?

Rolle im Compass

Im Compass ist der Wissensgraph der Oberbegriff. Er erklärt, warum GraphRAG mehr ist als Retrieval: Das System kann Kontext über explizite Beziehungen auswählen und begründen.

Er dient als belastbare Bedeutungsschicht zwischen Rohdaten, Fachsprache, Retrieval und Antwortgenerierung.

Typische Knoten

  • Entität
  • Begriff
  • Organisation
  • Produkt
  • Dokument
  • Claim
  • Quelle
  • Regel

Typische Kanten

  • ist Teil von
  • verwendet
  • belegt
  • widerspricht
  • gehört zu
  • erfüllt
  • verweist auf

Quellen

  • Fachdaten
  • Dokumente
  • Tabellen
  • Ontologien
  • manuelle Kuratierung
  • Extraktionspipelines

Zeitverhalten

Meist relativ stabil, aber mit Provenance, Versionen und Aktualitätsregeln, wenn Aussagen sich ändern können.

Stärken

  • Macht Wissen maschinenlesbar und wiederverwendbar.
  • Schafft eine gemeinsame Sprache zwischen Fachseite, Daten und KI-System.
  • Verbessert Erklärbarkeit, weil Pfade und Quellen sichtbar werden.

Grenzen

  • Braucht klare Modellierungsgrenzen, sonst wächst der Graph unkontrolliert.
  • Ohne Pflege und Ownership wird er schnell zu einer unklaren Datensammlung.
  • Zu viel Formalisierung kann frühe Exploration verlangsamen.

Beispiele

Enterprise-Wissensnetz

Produkte, Services, Teams, Policies und Nachweise werden verbunden, damit Fragen über Zuständigkeiten und Compliance-Pfade beantwortbar werden.

Fachlexikon mit Beziehungen

Begriffe, Synonyme, Metriken und Regeln werden so verbunden, dass ein Agent Fachsprache korrekt interpretiert.

Retrieval

Wie dieser Graph abgefragt wird

Retrieval startet bei Entitäten, Begriffen oder Regeln und erweitert den Kontext über relevante Beziehungen, Nachbarschaften und Quellen.

Use Cases

  • Begriffsklärung und semantische Suche
  • Erklärbare Antworten über mehrere Wissensobjekte
  • Governance, Nachweise und Provenance
  • Semantic Layer für Agenten und Analytics

Qualitätssignale

  • Knoten und Beziehungen haben klare Bedeutung.
  • Aussagen sind auf Quellen oder Verantwortliche zurückführbar.
  • Fachnutzer erkennen die modellierte Realität wieder.

Typische Fehler

  • Der Graph vermischt Begriffe, Datenobjekte und Dokumentstellen ohne klare Rollen.
  • Es gibt keine Regeln für Dubletten, Synonyme und widersprüchliche Aussagen.
  • Der Graph ist groß, aber für echte Fragen nicht hilfreich.

Tools und Plattformen

Neo4j

Property-Graph-Datenbank für Knowledge-Graph- und GraphRAG-Szenarien.

Stardog

Enterprise Knowledge Graph mit RDF, Reasoning und Virtualisierung.

Ontotext GraphDB

RDF-Graphdatenbank für Ontologien, Semantik und Linked Data.

eccenca Corporate Memory

Governance-orientierte Knowledge-Graph-Plattform.

Pragmatischer Einstieg

Wie man klein beginnt

Mit 5 bis 8 zentralen Entitätstypen, wenigen Beziehungstypen und echten Fragen starten. Danach erst erweitern.

Verwandte Compass-Seiten

Knowledge GraphsOntologieSemantic Layer

Andere Graph-Typen

Domänen-GraphDokument-GraphConversational GraphDynamischer Graph