Vector RAG / GraphRAGfeedback

Vorgeschlagen

Dieser Funktionsbaustein wurde als strategisch notwendig identifiziert und befindet sich in der Konzeptionsphase.

Status: Vorgeschlagen | Erstellt am: 13. März 2026 | Autor: BMDS-Architekturteam

lightbulb Motivationfeedback

Verwaltungswissen ist über tausende Dokumente, Erlasse, Richtlinien und Gesetzestexte verteilt. Ohne ein intelligentes Wissensmanagement finden Sachbearbeiter:innen relevante Informationen nicht oder zu langsam. Retrieval Augmented Generation (RAG) mit Vektor- und Graph-Datenbanken ermöglicht semantische Suche und kontextbezogene Antworten.

• Wissensmanagement: Semantische Suche über alle Verwaltungsdokumente.
• Aktualität: LLM-Antworten basieren immer auf den aktuellsten Dokumenten (kein veraltetes Trainingswissen).
• Nachvollziehbarkeit: Jede Antwort enthält Quellenverweise.
• Graph-Kontext: Knowledge Graphs bilden Beziehungen zwischen Gesetzen, Verordnungen und Verwaltungsprozessen ab.

settings Kernfunktionalitätenfeedback

• Document Ingestion: Automatische Verarbeitung und Chunking von PDFs, Word-Dokumenten und Webseiten.
• Vector Store: Semantische Einbettung und Ähnlichkeitssuche über Dokumentenbestände.
• Knowledge Graph: Beziehungsmodell für Gesetze, Verordnungen, Zuständigkeiten und Prozesse.
• Hybrid Retrieval: Kombination von Vektor-Suche und Graph-Traversal für optimale Ergebnisse.
• Quellenangabe: Jede generierte Antwort referenziert die zugrundeliegenden Dokumente.

engineering Technische Einordnungfeedback

Eigenschaft	Wert
Kategorie	KI & Automatisierung
GovStack-Mapping	○ -
Referenzstandards	-
Open-Source-Referenz	LangChain, LlamaIndex, Qdrant, Neo4j, Weaviate

share Abhängigkeitenfeedback

• KI/ML-Serving-Plattform (Embedding-Modelle und LLM-Hosting)
• Dokumentenmanagement (Dokumentenbestände als Datenquelle)
• NLP & Chatbot (RAG als Backend für Chatbot-Antworten)

arrow_forward Nächste Schrittefeedback

• Prototyp mit Verwaltungs-Dokumentenbestand (z.B. Erlasse, Richtlinien)
• Evaluierung Qdrant vs. Weaviate vs. pgvector
• PoC: RAG-Pipeline mit LlamaIndex und Open-Source LLM
• Integration in den D-Stack