Begleitvideos

RAG jenseits von Chunks: Graph RAG, agentisches RAG und Long-Context-RAG — Begleitvideos

Der Artikel geht über RAG nach dem Muster „in Chunks teilen und einbetten“ hinaus und behandelt drei Ansätze, die die Qualität tatsächlich verbessert haben: Retrieval über Wissensgraphen, agentische Retrieval-Schleifen und den Ansatz, „einfach eine Million Tokens in den Kontext zu packen“. Diese beiden Videos zeigen funktionierende Beispiele für zwei dieser Ansätze sowie die GraphRAG-Architektur von Microsoft in ihrer ursprünglichen Form. Damit erhalten die Vergleiche des Artikels konkrete Bezugspunkte.

Hauptauswahl

38:48

Einführung in RAG 2.0: agentisches RAG und Wissensgraphen (KOSTENLOSE Vorlage)

Cole Medin

Eine funktionierende Implementierung von agentischem RAG mit Wissensgraphen, bei der der Agent entscheidet, wann er eine Vektorsuche, eine Abfrage von Neo4j oder beides ausführt. Dies ist die klarste YouTube-Demonstration des im Artikel beschriebenen Musters „Agent als Retrieval-Planer“ — mit Code, den Sie herunterladen und selbst ausführen können.

Was Sie aus diesem Video mitnehmen sollten: Agentisches und graphbasiertes Retrieval anhand einer konkreten Implementierung vergleichen.

Das sollten Sie zuerst ansehen oder wissen: Sicherer Umgang mit grundlegendem RAG, Graphdatenbanken und der lokalen Ausführung einer Vorlage.

Hinweis von AI Expert: Abhängigkeiten der Vorlage, Modellauswahl und Orchestrierungscode sind versionsabhängig. Übertragbar ist die Retrieval-Planung; für den Produktionseinsatz benötigen Sie weiterhin Berechtigungen, Evals und Fehlerbehandlung.

Videoseite öffnen

Auch sehenswert

15:58

Graph RAG: RAG mit Wissensgraphen verbessern

Prompt Engineering

Eine fokussierte Einführung in Microsoft GraphRAG: Entitätsextraktion, Community-Zusammenfassungen und abfrageorientierte Synthese, lokal eingerichtet und um Kostenhinweise ergänzt. Sehen Sie das Video speziell zum Graph-RAG-Abschnitt des Artikels. Die Kostendiskussion ist der Teil, den die meisten Darstellungen auslassen.

Was Sie aus diesem Video mitnehmen sollten: Den GraphRAG-Ablauf nach Microsoft verstehen: Entitätsextraktion, Communities, Zusammenfassungen und abfrageorientierte Synthese.

Das sollten Sie zuerst ansehen oder wissen: Verstehen, weshalb reine Vektorsuche Fragen mit vielen Beziehungen verfehlen kann.

Hinweis von AI Expert: Einrichtungsbefehle und Kosten können sich ändern, die Architektur bleibt nützlich. Berechnen Sie aktuelle Tokenkosten neu und prüfen Sie, ob der Aufbau eines Graphen gerechtfertigt ist, bevor Sie dieses Muster übernehmen.

Videoseite öffnen