GraphRAG mit Neo4j: Wissensgraphen als nächste Stufe von Retrieval-Augmented Generation

Wie lässt sich ein RAG-System so erweitern, dass es nicht nur Textstellen findet, sondern auch Beziehungen zwischen Inhalten nutzt?

GraphRAG kombiniert Retrieval-Augmented Generation mit einem Wissensgraphen: Entitäten und ihre Verknüpfungen liefern Kontext fürs Retrieval.

Der Vortrag startet mit einer Einführung in Graphen und Wissensgraphen. Im zweiten Teil wird dies an einem Szenario aus dem Bereich Application Lifecycle Management (ALM) gezeigt: Aus Requirements, Tickets und ihren Links entsteht ein Neo4j-Graph. Abschließend wird demonstriert, wie hybride Suche aus Graph Traversal und Vector Retrieval komplexe Fragen im ALM konsistenter beantwortet als klassisches RAG.

Vorkenntnisse

• Grundverständnis von Software-/IT-Projekten und ALM-Artefakten
  
• Basisidee von RAG/LLM-Chatbots ist hilfreich, wird aber kurz eingeordnet
  
• Keine Kenntnisse zu Graphdatenbanken nötig; Graph-Grundlagen werden im Vortrag erklärt.

Lernziele

Nach dem Vortrag können die Teilnehmenden:

• einordnen, was GraphRAG ist und wann es im ALM-Kontext sinnvoll ist,
  
• nachvollziehen, wie ALM-Beziehungen als Wissensgraph in Neo4j genutzt werden können,
  
• die groben Schritte eines GraphRAG-Flows (Graph → Retrieval/Traversal → Antwort) verstehen,
  
• zentrale Stellschrauben und typische Herausforderungen bei GraphRAG benennen.