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

Alle Phasen
Phase 1 von 4 · Verstehen: GraphRAG-Grundlagen
01Das GraphRAG-Kontextbild02Was ein Graph ist03Welche Rolle das LLM spielt04Was RAG ist05Wie semantische Suche ähnliche Inhalte findet06Was ein Knowledge Graph ist07Wann Taxonomie und Ontologie helfen08Was GraphRAG ist09Phase-1-Checkpoint

Phase 1 · Step 1 von 9

Das GraphRAG-Kontextbild

Du siehst die großen Bausteine: Quellen, Vorbereitung, Suche, Graph, LLM und Antwort.

Was du mitnimmst

GraphRAG ist ein Nutzungsfluss: Frage stellen, passende Inhalte finden, Beziehungen nutzen und daraus eine nachvollziehbare Antwort formulieren.

Das GraphRAG-Kontextbild: GraphRAG ist ein Nutzungsfluss: Frage stellen, passende Inhalte finden, Beziehungen nutzen und daraus eine nachvollziehbare Antwort formulieren.

Lernziel

Du bekommst ein Kontextbild für ein bereits vorbereitetes GraphRAG-System: Eine Person stellt eine Frage, das System sucht passende Informationen, nutzt bekannte Beziehungen und gibt dem LLM den relevanten Kontext für die Antwort. Danach kannst du die Systemkarte lesen und den Weg von der Frage zur Antwort in eigenen Worten beschreiben.

Erklärung

Stell dir vor, du arbeitest mit einem GraphRAG-System, das deine Wissensquellen bereits kennt: PDFs, Confluence-Seiten, Tickets, Tabellen und Datenbanken. Du stellst eine fachliche Frage. Das System sucht passende Stellen, folgt wichtigen Zusammenhängen und stellt daraus einen kompakten Kontext zusammen.

Das LLM bekommt diesen Kontext und formuliert daraus eine Antwort. Für dich ist zunächst wichtig, welche Rollen die großen Teile im System übernehmen: Quellen liefern Wissen, Suche findet relevante Stellen, der Graph zeigt Beziehungen, das LLM schreibt die Antwort.

Ein GraphRAG-System arbeitet mit eingebundenen Quellen: Dokumente aus Confluence oder SharePoint, Tickets aus Jira, Tabellen aus Excel oder Google Sheets, Datensätze aus Fachsystemen. Das System kann diese Quellen nutzen, wenn eine passende Frage gestellt wird.

Wenn du eine Frage stellst, sucht das System nach passenden Stellen in diesen Quellen. Es kann ähnliche Inhalte finden, auch wenn deine Frage andere Wörter verwendet. Wenn du nach "Kundensystem prüfen" fragst, kann trotzdem ein Abschnitt über "kritische Kundensysteme" relevant sein.

Der Graph ergänzt diese Suche um Beziehungen. Er zeigt zum Beispiel, dass CRM als kritisches Kundensystem klassifiziert ist, dass Projekt Alpha CRM nutzt, dass die Richtlinie für kritische Kundensysteme eine Prüfpflicht definiert oder dass das Team Customer Core die Prüfung koordiniert.

Aus passenden Textstellen, Beziehungen und Quellenhinweisen entsteht ein Kontextpaket. Dieses Kontextpaket ist der Ausschnitt, den das LLM für die Antwort bekommt.

Die Kernidee für Step 1 ist einfach: Du betrachtest GraphRAG aus der Nutzungsperspektive. Eine Frage kommt hinein. Das System holt relevanten Kontext. Das LLM formuliert daraus eine nachvollziehbare Antwort.

Mentales Modell

QuellenPDFs · TicketsTabellen · DatenVorbereitenAbschnitteBegriffe · QuellenSuchefindet passende StellenGraphzeigt ZusammenhängeLLMformuliertKontextpaket für die Antwortpassende Textstellen · wichtige Beziehungen · Quellenhinweise

GraphRAG ist ein Nutzungsfluss: Frage stellen, passende Informationen finden, Beziehungen nutzen, Kontextpaket übergeben, Antwort formulieren.

Begriffe

QuelleEingebundene QueSucheGraphKontextpaketAntwort
01

Quelle

Ort, an dem Wissen liegt, zum Beispiel PDF, Ticket, Tabelle oder Fachsystem.

02

Eingebundene Quellen

Dokumente, Tickets, Tabellen oder Datenbanken, die das System bereits nutzen kann, um passende Informationen für eine Antwort zu finden.

03

Suche

Teil des Systems, der passende Stellen findet.

04

Graph

Teil des Systems, der Zusammenhänge zwischen Dingen sichtbar macht.

05

Kontextpaket

Ausgewählte Informationen, die das LLM für die Antwort bekommt.

06

Antwort

Formuliertes Ergebnis mit den wichtigsten Gründen und Quellenhinweisen.

Beispiel

Eine Mitarbeiterin aus dem Compliance-Team fragt: "Welche Projekte sind betroffen, wenn die Richtlinie für kritische Kundensysteme geändert wird?"

Die relevanten Quellen sind bereits im System eingebunden: Die Richtlinie A legt in Abschnitt 4.2 fest, dass kritische Kundensysteme jährlich geprüft werden müssen. Der Systemkatalog klassifiziert CRM als kritisches Kundensystem. Die Projektliste hält fest, dass Projekt Alpha CRM als zentrales Kundensystem nutzt.

In der Verantwortlichkeitsnotiz steht, dass das Plattform-Team Customer Core die Prüfungen für CRM koordiniert.

Wenn die Frage gestellt wird, sucht das System passende Stellen und folgt den Beziehungen zwischen Richtlinie, Systemklasse, System, Projekt und verantwortlichem Team. Das LLM bekommt diesen relevanten Ausschnitt. Die Antwort kann dann sagen: "Projekt Alpha ist betroffen, weil es CRM nutzt. CRM ist als kritisches Kundensystem klassifiziert und unterliegt nach Abschnitt 4.2 der jährlichen Prüfpflicht. Die Koordination liegt bei Customer Core. Quellen: Richtlinie A, Systemkatalog und Projektliste."

Typischer Denkfehler

Ein typischer Fehler im Projekt ist, nach einer schwachen Antwort sofort am Prompt zu drehen. Im Beispiel könnte das System eine flüssige Antwort über "alle Kundensysteme prüfen" formulieren. Der entscheidende Zusammenhang liegt dann im Kontext: die Richtlinie A, die Klassifikation von CRM als kritisch, die Nutzung durch Projekt Alpha und die Verantwortung von Customer Core.

Die bessere Frage lautet: Hat das System den richtigen Kontext gesehen? Für die Nutzung zählt der ganze Weg: Frage stellen, passende Stellen finden, Beziehungen einbeziehen, Kontextpaket lesen und daraus antworten.

Woran du es erkennst

GraphRAG wird relevant, wenn Quellen verteilt sind und eine Antwort Zusammenhänge zwischen Dingen braucht: Richtlinie, System, Systemklasse, Projekt, Team, Pflicht, Risiko, Dokument oder Tabelle.

Das stärkste Signal ist eine Frage, die Quellen, Objekte und Beziehungspfade zusammenführen muss: "Welche Projekte sind von dieser Richtlinie betroffen?", "Wer verantwortet dieses System?", "Welche Regel erzeugt diese Prüfpflicht?", "Auf welcher Quelle basiert diese Empfehlung?"

Mini-Aufgabe

Nimm die Frage "Welche Projekte sind betroffen, wenn CRM jährlich geprüft werden muss?" Skizziere vier einfache Stationen: Welche Quellen könnten relevant sein? Welche Beziehungen müsste das System nutzen? Was müsste das LLM am Ende sehen? Welche Antwort entsteht daraus?

Musterlösung
Frage

"Welche Projekte sind betroffen, wenn CRM jährlich geprüft werden muss?"

Relevante Quellen

Richtlinie A (Abschnitt 4.2 zur Prüfpflicht), Systemkatalog (CRM als kritisches Kundensystem), Projektliste (Projekt Alpha nutzt CRM) und Verantwortlichkeitsnotiz (Customer Core koordiniert).

Wichtige Beziehungen

CRM ist als kritisches Kundensystem klassifiziert, die Richtlinie A definiert dafür eine jährliche Prüfpflicht, Projekt Alpha nutzt CRM, Customer Core verantwortet die Koordination.

Kontext für das LLM

der Abschnitt 4.2, die Klassifikation aus dem Systemkatalog und die Projektzuordnung aus der Projektliste. Daraus kann die Antwort erklären, dass Projekt Alpha betroffen ist und warum.

Selbsttest

1.Wie nutzt GraphRAG Confluence, Jira und Excel?

Confluence, Jira und Excel sind Orte, an denen Wissen liegt. GraphRAG nutzt daraus passende Abschnitte, wichtige Dinge, Beziehungen und Quellenhinweise. Daraus entstehen gezielte Suche und begründbare Antworten.

2.Welche Rolle spielt die Suche in einer GraphRAG-Architektur?

Die Suchschicht findet ähnliche Inhalte, auch wenn andere Wörter verwendet werden. Sie zeigt passende Kandidaten. Fachliche Beziehungen werden im Graphen modelliert und mit Quellen belegt.

3.Was ist die Aufgabe des LLM in GraphRAG?

Das LLM formuliert die Antwort aus dem bereitgestellten Kontext. Es verbindet passende Textstellen, Quellenhinweise und Beziehungspfade zu einer verständlichen Antwort.

Kernaussage

GraphRAG ist ein Nutzungsfluss: Frage stellen, passende Inhalte finden, Beziehungen nutzen und daraus eine nachvollziehbare Antwort formulieren.

Zur PhasenübersichtNächste Lektion

Status

Auf dieser Seite

LernzielErklärungMentales ModellBegriffeBeispielDenkfehlerWoran du es erkennstMini-AufgabeSelbsttest

Vertiefen

Konzept im CompassGraphRAGGraphRAG Poster

Kernaussage

GraphRAG ist ein Nutzungsfluss: Frage stellen, passende Inhalte finden, Beziehungen nutzen und daraus eine nachvollziehbare Antwort formulieren.

Checkpoint

Du kannst die wichtigsten Bausteine auf einer einfachen Systemkarte einordnen.