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

Landkarte · Taxonomie

Taxonomie: Compass-Themen einordnen

Diese Taxonomie ordnet konkrete Compass-Themen in fachliche Kategorien ein. Sie zeigt, ob ein Thema Wissensobjekt, Bedeutungsschicht, Retrieval-Methode, Konstruktionsprozess, Qualitätsdimension, Governance- oder Architekturthema ist.

Klassifikation
Themen
Kategorien

Taxonomie sortiert Begriffe. Ontologie erklärt ihre Beziehungen. Graph-Typen erklären Modellierungsformen.

Was diese Taxonomie leistet

Eine Taxonomie ist ein Ordnungssystem. Im Compass sortiert sie nach Rolle im GraphRAG-System: Manche Themen beschreiben Dinge im Wissensraum, andere Bedeutung, Retrieval, Aufbau, Qualität, Betrieb oder konkrete Architektur. So wird sichtbar, wohin ein Thema gehört und welche Nachbarseiten sinnvoll sind.

Klassifikation

Compass-Themen, sortiert

Dieselben 21 Themen, zwei Brillen: sortiere nach fachlicher Kategorie oder nach Compass-Bereich – und sieh zu, wie sie sich neu ordnen.

Was im System als Wissen vorkommt

Wissensobjekte2

Dokumente, Chunks, Entitäten, Relationen, Claims, Quellen, Metriken, Entscheidungen und Tool-Ergebnisse sind die Dinge, über die GraphRAG-Systeme sprechen.

Welche Dinge müssen als eigene Objekte sichtbar werden, damit sie später gesucht, geprüft oder verbunden werden können?

  • Knowledge GraphsEntitäten, Beziehungen, Eigenschaften und Quellen als abfragbares Wissensnetz verstehen.
    Grundlagen
  • Graph TheoryKnoten, Kanten, Pfade, Nachbarschaften und Communities als GraphRAG-Bausteine lesen.
    Landkarte

Wie Objekte fachlich lesbar werden

Bedeutungsschichten2

Taxonomie, Ontologie, Schema und Semantic Layer ordnen Begriffe unterschiedlich: von einfacher Sortierung über Beziehungen bis zur operativen Nutzung in Abfragen und Agentenaktionen.

Welche Bedeutung muss explizit sein, damit ein System Daten fachlich richtig interpretiert?

  • Ontologien & RDFBegriffe, Relationen, Klassen und Regeln formal oder pragmatisch klären.
    Grundlagen
  • Graph-TypenDokument-, Domänen-, Conversational und dynamische Graphen als Modellierungsformen unterscheiden.
    Landkarte

Wie relevanter Kontext gefunden wird

Retrieval-Methoden3

Retrieval umfasst Vektorsuche, Keyword-Suche, Metadatenfilter, Graphpfade, Reranking und Fusion mehrerer Signale.

Welche Suchsignale braucht eine Frage, damit der Kontext passend ist?

  • RAGÄhnlichkeitssuche als Baseline verstehen, gegen die GraphRAG gemessen wird.
    Grundlagen
  • Hybrid RetrievalVektor-, Keyword-, Metadaten- und Graphsignale kombiniert bewerten.
    Grundlagen
  • GraphRAGAntwortkontext über Entitäten, Beziehungen, Pfade und Quellen strukturieren.
    Grundlagen

Wie aus Rohquellen nutzbares Wissen entsteht

Konstruktionsprozesse3

Quellen werden geparst, gechunked, extrahiert, normalisiert, validiert, versioniert und laufend aktualisiert.

Welche Pipeline-Schritte entscheiden, ob der Graph später vertrauenswürdig und nutzbar ist?

  • Graph ConstructionAus Quellen, Tabellen, Dokumenten oder Events einen belastbaren Graph aufbauen.
    Grundlagen
  • Entity Resolution & IdentityGleiche Entitäten über Quellen, Aliasse und IDs hinweg zusammenführen.
    Praxis
  • Microsoft GraphRAG PipelineDokumentenorientierte GraphRAG-Indexing- und Search-Pipeline einordnen.
    Architekturen

Wie Belastbarkeit bewertet wird

Qualitätsdimensionen1

Qualität zeigt sich in Retrieval-Treffern, Graphkonsistenz, Provenance, Aktualität, Antworttreue, Kosten und beobachtbarem Systemverhalten.

Woran erkennt man, ob ein System tatsächlich bessere Antworten liefert?

  • Evaluation & ObservabilityRetrieval-, Graph-, Antwort- und Agentenqualität getrennt messbar machen.
    Praxis

Wie Nutzung kontrolliert wird

Betriebs- und Governance-Ebene3

Rollen, Rechte, Sicherheitsgrenzen, Audit Trails, Review-Prozesse und Tool-Policies entscheiden, ob GraphRAG produktiv verantwortbar ist.

Wer darf welche Daten sehen, welche Aussagen schreiben und welche Aktionen ausführen?

  • Governance & SecurityRollen, Rechte, Schreibregeln, Auditierbarkeit und Sicherheitsgrenzen definieren.
    Praxis
  • MCP & A2AToolzugriff und Agentenübergaben als Infrastruktur für GraphRAG-Systeme einordnen.
    Grundlagen
  • GraphRAG Governance & Evaluation ReviewGraphRAG-Fähigkeit als Beratungs- und Bewertungsangebot operationalisieren.
    Business

Wie Bausteine zu Lösungen werden

Architektur- und Anwendungsebene7

Aus Konzepten, Methoden und Qualitätsregeln entstehen konkrete Architekturen, Use Cases, Business Cases und Lernpfade.

Welche Kombination aus Konzepten, Methoden und Betrieb passt zum konkreten Problem?

  • LLM Basics für GraphRAGKontextfenster, Tokens, Grounding und Tool Use für GraphRAG-Entscheidungen verstehen.
    Landkarte
  • Agent MemoryLängerfristigen Kontext, Entscheidungen, Präferenzen und Reasoning-Spuren modellieren.
    Grundlagen
  • Context GraphsLaufenden Arbeitszustand als Graph aus Zielen, Quellen, Entscheidungen und offenen Fragen darstellen.
    Grundlagen
  • Klassisches RAGEinfache RAG-Baseline als Vergleichs- und Startarchitektur bewerten.
    Architekturen
  • Hybrid Retrieval StackVektor- und Graphsignale in einer produktionsnahen Retrieval-Architektur kombinieren.
    Architekturen
  • Neo4j GraphRAG StackGraphdatenbank, Vektorindex, Cypher und Retrieval als Stack bewerten.
    Architekturen
  • Agentic GraphRAG LoopAgenten, Retrieval, Memory, Tools und Feedback als Schleife verstehen.
    Architekturen