LazyGraphRAG: Graphbasiertes RAG ohne Vorab-Zusammenfassungen

ArtikelDarren Edge, Ha Trinh, Jonathan LarsonForschung

Microsoft Research stellt mit LazyGraphRAG eine Methode vor, die Graph-RAG und Vektor-RAG kombiniert, ohne teure Vorab-Zusammenfassungen per LLM zu erfordern. Durch die Verlagerung von Modellaufrufen auf die Abfragezeit sinken die Indexierungskosten drastisch auf das Niveau herkömmlicher Vektorsuchen.

Das Wichtigste

  1. Die Indexierungskosten entsprechen denen von reinem Vektor-RAG und betragen lediglich 0,1 Prozent der Kosten von vollständigem GraphRAG, da für den Index NLP-Substantivphrasen-Extraktion statt LLMs genutzt wird.
  2. Kombiniert Best-First-Suche aus Vektor-RAG mit Breadth-First-Suche aus Graph-RAG über ein iteratives Vertiefungsverfahren.
  3. Übertrifft bei vergleichbaren Abfragekosten wie Vektor-RAG bisherige Methoden bei lokalen Anfragen.
  4. Erreicht bei globalen Abfragen vergleichbare Antwortqualität wie GraphRAG Global Search bei über 700-fach geringeren Abfragekosten.
  5. Ein zentraler Parameter (Relevance Test Budget) steuert das Verhältnis zwischen Qualität und Kosten konsistent.

Warum das relevant ist

Klassisches GraphRAG liefert zwar starke Antworten auf globale Fragen über ganze Datensätze, scheitert in der Praxis aber oft an immensen Vorab-Kosten für die LLM-basierte Indexierung. LazyGraphRAG senkt diese Eintrittsbarriere grundlegend und macht graphgestützte Wissensabfragen wirtschaftlich breit einsetzbar.

Einordnung

Das Verfahren löst ein zentrales Dilemma bisheriger RAG-Architekturen: Standard-Vektorsuchen finden isolierte Fakten ('lokale Abfragen'), versagen jedoch bei themenübergreifenden Synthesen ('globale Abfragen'). Bisheriges GraphRAG löste dies durch aufwendige Vorberechnung von Entitätszusammenfassungen auf Community-Ebene. LazyGraphRAG verschiebt die LLM-Nutzung ('lazy') auf die Abfragezeit und strukturiert den Graphen vorab rein linguistisch. Dadurch wird die Skalierbarkeit für große Korpora praxisnah, da Unternehmen nicht für jedes Dokumentenupdate teure LLM-Pipelines durchlaufen müssen.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Repository:microsoft/graphrag

    Microsoft GraphRAG: Graph-basiertes RAG wechselt in den Wartungsmodus

    GraphRAG von Microsoft ist ein modulares System zur Extraktion strukturierter Wissensgraphen aus unstrukturiertem Text zur Verbesserung von RAG-Pipelines. Das Forschungsprojekt befindet sich mittlerweile im Wartungsmodus.

    35.845SternePython

    KI & AI· Tool

  • Artikel:digitalocean.com

    RAG ohne Embeddings: Alternativen zu Vektordatenbanken

    Standard-RAG-Systeme basieren auf Text-Embeddings und Vektordatenbanken, bringen jedoch hohe Kosten, Infrastrukturaufwand und semantische Schwächen mit sich. Der Artikel stellt embedding-freie Ansätze vor, darunter klassische lexikalische Suche, LLM-gestützte iterative Recherche, Knowledge Graphs und Prompt-basierte Navigation.

    KI & AI· Anleitung

  • Artikel:Lei Liang et al.

    KAG: Wissensgraphen und Vektorsuche kombiniert für professionelle LLM-Anwendungen

    Ein Forschungsteam um Lei Liang stellt mit Knowledge Augmented Generation (KAG) ein Framework vor, das klassisches RAG um Wissensgraphen erweitert. KAG adressiert typische Schwächen rein vektorbasierten Abrufs bei logischen, zeitlichen und numerischen Abhängigkeiten in Fachdomänen.

    KI & AI· Forschung

  • Repository:OpenSPG/KAG

    OpenSPG/KAG: Logikgeführtes Reasoning und Retrieval als Alternative zu RAG

    KAG (Knowledge Augmented Generation) ist ein Open-Source-Framework, das Large Language Models mit der OpenSPG-Engine kombiniert. Es soll klassische RAG-Vektorsuchen und OpenIE-basierte GraphRAG-Ansätze bei komplexen, domänenspezifischen Abfragen übertreffen.

    9039SternePython

    KI & AI· Tool

  • Artikel:Exxact

    Drei RAG-Alternativen zu Vektordatenbanken: SQL, APIs und Knowledge Bases

    Vektorbasiertes RAG stößt bei strukturierten Daten, logischen Abhängigkeiten und Echtzeitanforderungen an Grenzen. Ein Artikel von Exxact stellt drei alternative Ansätze vor: Structured Retrieval RAG, API-Augmented RAG und Knowledge-Based RAG.

    KI & AI· Sammlung

  • Repository:OSU-NLP-Group/HippoRAG

    HippoRAG 2: Neurobiologisch inspiriertes Gedächtnis-Framework für LLMs

    HippoRAG (mittlerweile in Version 2) ist ein Open-Source-Framework für Large Language Models, das durch Wissensgraphen und Personalized PageRank Verbindungen zwischen externen Dokumenten knüpft und an das menschliche Langzeitgedächtnis angelehnt ist.

    3980SternePython

    KI & AI· Forschung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.