Seminar Memgraph GraphRAG und Vector Search

Das Seminar behandelt den Aufbau von GraphRAG-Lösungen mit Memgraph. Es verbindet Knowledge-Graph-Modellierung, Vector Search, Kontextausweitung über Beziehungen und den kontrollierten Einsatz von LLMs.

Überblick

Klassisches RAG sucht passende Textstücke. GraphRAG ergänzt Beziehungen, Pfade und fachliche Zusammenhänge. Das Seminar zeigt, wie aus unstrukturierten und strukturierten Daten ein nutzbarer Kontext für Frage-Antwort-Szenarien entsteht.

Zielgruppe

Geeignet für Teams, die LLM-Anwendungen mit belastbarer Datenbasis, nachvollziehbaren Beziehungen und fachlich erklärbarem Kontext entwickeln möchten.

Lerninhalte

• Architektur von RAG, GraphRAG und Knowledge-Graph-basiertem Retrieval
• Modellierung von Dokumenten, Entitäten, Beziehungen, Chunks sowie Herkunfts- und Strukturmetadaten
• Embeddings, Vector Search und semantische Einstiegspunkte im Graphen
• Kontextausweitung über Pfade, Nachbarschaften, Traversierungen und Relevanzregeln
• Kombination von Cypher-Abfragen, Vector Search und Graphalgorithmen
• Umgang mit Halluzinationsrisiken, Ergebnisprüfung und Antwortgrenzen
• Schnittstellen zu Anwendungen, Services und Python-basierten Komponenten
• Betriebsaspekte: Aktualisierung, Nachvollziehbarkeit, Datenqualität und Tests

Praktische Übungen

Ein kleiner Knowledge Graph wird aufgebaut, mit Vektoren angereichert und für Retrieval-Aufgaben genutzt. Anschließend werden Suchergebnisse über Beziehungen erweitert und für eine Antwortlogik aufbereitet.

Geeignete Einsatzszenarien

Typische Szenarien sind Unternehmenswissen, technische Dokumentationen, Support-Wissen, Compliance-Fragen, Forschung, Produktdaten und interne Assistenzsysteme.