Glossar

LazyGraphRAG

Was ist LazyGraphRAG?

LazyGraphRAG ist ein 2024 von Microsoft Research vorgestellter Ansatz für graphbasierte Retrieval-Augmented Generation. Anders als GraphRAG lässt er beim Indexieren keine Zusammenfassungen durch ein Sprachmodell erstellen, sondern ermittelt Begriffe und ihre gemeinsamen Vorkommen mit klassischer Sprachverarbeitung; das Sprachmodell kommt erst bei der Anfrage zum Einsatz. Dadurch liegen die Indexierungskosten laut Microsoft auf dem Niveau einfacher Vektor-RAG. Geeignet ist das vor allem für Fragen, die einen Überblick über große Dokumentbestände erfordern.

Themen

RAG
Wissensgraph
Retrieval

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation verbindet eine Suche mit der Textgenerierung: Vor dem Antworten sucht das System in einer Wissenssammlung – etwa Handbüchern, Richtlinien oder FAQ – die passenden Abschnitte und gibt sie dem Sprachmodell als Kontext mit. So stützt sich die Antwort auf aktuelle, unternehmenseigene Inhalte statt nur auf das Trainingswissen des Modells. Das verringert erfundene Aussagen, macht Quellen nachvollziehbar und erlaubt Aktualisierungen ohne neues Training.

RAG
Wissenssuche
+1

Multi-Hop-Reasoning

Multi-Hop-Reasoning bezeichnet die Fähigkeit eines KI-Systems, eine Frage über mehrere aufeinander aufbauende Schlussfolgerungen zu beantworten, oft mit Informationen aus verschiedenen Quellen. Beispiel: „Welche Abteilung leitet die Person, die das Projekt X verantwortet?“ erfordert zuerst die verantwortliche Person und dann deren Abteilung. Solche Fragen sind für Such- und RAG-Systeme anspruchsvoll, weil jeder Zwischenschritt korrekt gefunden und verknüpft werden muss.

Schlussfolgern
Fragebeantwortung
+1

Informationsabruf

Informationsabruf (Information Retrieval) umfasst Verfahren, die aus großen Textbeständen die zu einer Anfrage passenden Dokumente oder Abschnitte finden und nach Relevanz sortieren. Klassische Methoden wie BM25 gewichten Suchbegriffe nach Häufigkeit und Seltenheit, neuere ergänzen semantische Ähnlichkeit. Informationsabruf ist die Grundlage von Suchmaschinen, Unternehmenssuche und Retrieval-Augmented Generation, bei der ein Sprachmodell gefundene Passagen als Grundlage seiner Antwort nutzt.

Suche
BM25
+1

Retrieval-Pipeline

Eine Retrieval-Pipeline ist die Abfolge von Verarbeitungsschritten, mit der ein System zu einer Frage die passenden Informationen findet. Typisch sind: Dokumente einlesen und bereinigen, in Abschnitte zerlegen, einen Suchindex aufbauen, die Anfrage gegebenenfalls umformulieren, Treffer suchen, sortieren (Reranking) und die besten an das Sprachmodell übergeben. Sie bildet das Fundament jeder RAG-Anwendung; ihre Qualität entscheidet maßgeblich darüber, wie gut die späteren Antworten sind.

RAG
Suche
+1