Clef · Live-Demo ausprobieren →
Heabsy
Die Technologie

Graph-ReAct:
die Architektur hinter ARGUS

Ein klassisches RAG-System findet Absätze. ARGUS zieht Schlüsse aus Ihrem gesamten Wissensbestand und verknüpft Fakten so, wie es ein erfahrener Analyst tun würde.

Whitepaper anfordernARGUS im Einsatz ansehen

Einfaches RAG vs. ARGUS

Ein grundlegender Unterschied darin, wie KI Ihre Dokumente erschließt

Einfaches RAG

Vektorsuche mit einer einzigen Anfrage

Anfrage
Vektor-DB
Top-K-Abschnitte
Antwort

Lineare Suche — keine Schlussfolgerung, keine Verknüpfungen

  • Findet nur isolierte Absätze
  • Übersieht Zusammenhänge zwischen Dokumenten
  • Kann mehrere Quellen nicht zusammenführen
  • Scheitert an Fragen mit mehreren Schritten
  • Kein Prüfpfad für Antworten

ARGUS

Graph-ReAct-Architektur

Anfrage
Dok. A
Fakt 1
Dok. B
Fakt 2
Dok. C
Fakt 3
Begründete Antwort

Graph-Durchlauf mit schrittweisem Reasoning

  • Baut den Wissensgraphen in Echtzeit auf
  • Verknüpft Fakten über Dokumente hinweg
  • Mehrstufiges Reasoning (ReAct-Schleife)
  • Bewältigt komplexe Fragen mit fünf oder mehr Schritten
  • Vollständiger Nachweispfad für Prüfungen
Nachvollziehbarkeit

Das Nachweisprotokoll

Zu jeder Antwort von ARGUS gehört ein vollständiger Prüfpfad. Sie sehen genau, welche Dokumente herangezogen, welche Fakten entnommen und wie sie zur endgültigen Antwort zusammengeführt wurden.

  • Quelldokumente mit Seitenzahlen
  • Entnommene Fakten mit Konfidenzwerten
  • Darstellung der Schlusskette
  • Exportfertig für Compliance-Prüfungen

„In regulierten Branchen ist Nachvollziehbarkeit kein Zusatz, sondern Voraussetzung.“

Nachweisprotokoll
Anfrage
„Welche Haftungsklauseln in Vertrag A widersprechen Richtlinie B?“
Schritt 1: Dokumentanalyse
→ 3 Haftungsklauseln in Vertrag_A.pdf gefunden (S. 12, 15, 23)
→ Konfidenz: 0,94
Schritt 2: Abgleich
→ Abgeglichen mit Richtlinie_B.pdf, Abschnitte 4.1 und 4.3
→ 2 Widersprüche gefunden
Endgültige Antwort
Klausel 5.2 in Vertrag A begrenzt die Haftung auf 50.000 €, während Richtlinie B in Abschnitt 4.3 eine Deckung von mindestens 100.000 € verlangt …

Beispiel für das Ausgabeformat, kein Kundenfall: Dokumente, Klauselnummern und Konfidenzwert sind erfunden. Echt daran ist die Form — jeder Schritt nennt seine Quelle, und der Widerspruch wird mit beiden Seiten dargestellt, statt zusammengefasst zu werden.

Wissensgraph

Hält ARGUS auch echten Datenmengen stand?

ARGUS legt Dokumente nicht nur ab: Es entnimmt ihnen semantische Beziehungen und baut daraus einen abfragbaren Wissensgraphen, der Fakten über Ihren gesamten Bestand hinweg verbindet.

260.000+
Semantische Tripel
Entitäten und Beziehungen, per Sprachmodell entnommen
19.000+
Erfasste Dokumente
mit Querverweisen verknüpft
46,4 %
Vernetzung des Graphen
durch Entitätsabgleich von 1 % gesteigert
94 %
Weniger Graph-Inseln
isolierte Cluster zu einem zusammenhängenden Graphen verbunden

So funktioniert es

1
Tripel-Extraktion: Ein Sprachmodell entnimmt jedem Dokumentabschnitt Subjekt → Beziehung → Objekt
2
Entitätsabgleich: Ein Abgleich über Embeddings führt „CEO“, „Geschäftsführer“ und den Namen der Person zu einem Knoten zusammen
3
RRF-Fusion: Die Scores aus Vektorähnlichkeit und Graphdurchlauf werden per Reciprocal Rank Fusion zu einer hybriden Suche zusammengeführt
Einsatz ohne Training

Wie gelingt der Start in Tagen statt Monaten?

Anders als klassische ML-Lösungen braucht ARGUS kein Training mit Ihren Daten. Sie binden Ihre Dokumentquellen an und können sofort Fragen stellen.

Tag 1

Quellen anbinden

Anbindung an Ihre bestehenden Dokumentablagen, SharePoint, S3 oder Datenbanken.

Tag 2–3

Indexieren und konfigurieren

Der Wissensgraph entsteht automatisch, die Relevanz wird feinjustiert.

Ab Tag 4

Betriebsbereit

Komplexe Fragen beantworten, Ergebnisse beobachten und nachschärfen.

Möchten Sie tiefer in die Technik einsteigen?

Fordern Sie unser Whitepaper an: Architekturdiagramme, Methodik der Benchmarks und Spezifikationen für die Integration.

Whitepaper anfordernArchitekturgespräch vereinbaren

Häufige Fragen zur Graph-ReAct-Technologie

Was bedeutet Graph-ReAct bei ARGUS?+
Graph-ReAct verbindet zwei Bausteine: einen Wissensgraphen, den ARGUS aus Ihren Dokumenten aufbaut, und eine ReAct-Schleife, in der das System abwechselnd überlegt, sucht und das Gefundene prüft. So folgt ARGUS Verweisen über mehrere Dokumente, statt nur die ähnlichsten Absätze zu holen, und ist auf Fragen mit fünf oder mehr Schritten ausgelegt.
Wie entsteht der Wissensgraph aus unseren Dokumenten?+
In drei Schritten. Ein Sprachmodell entnimmt jedem Textabschnitt Tripel aus Subjekt, Beziehung und Objekt. Ein Entitätsabgleich über Embeddings führt Bezeichnungen wie „CEO“, „Geschäftsführer“ und den Namen der Person zu einem Knoten zusammen. Bei der Suche werden Vektorähnlichkeit und Graphdurchlauf per Reciprocal Rank Fusion kombiniert.
Was zeigt das Nachweisprotokoll einer ARGUS-Antwort?+
Die herangezogenen Quelldokumente mit Seitenzahlen, die entnommenen Fakten mit Konfidenzwert und die Schlusskette Schritt für Schritt; das Protokoll lässt sich für Compliance-Prüfungen exportieren. Widersprüche werden mit beiden Seiten benannt, nicht zusammengefasst.
Muss ARGUS vor dem Start mit unseren Daten trainiert werden?+
Nein. Am ersten Tag werden die Quellen angebunden, an Tag zwei und drei entsteht der Wissensgraph automatisch und die Relevanz wird eingestellt, ab Tag vier beantwortet ARGUS komplexe Fragen. Kundendaten fließen in kein Modelltraining; wie das vertraglich geregelt ist, steht unter Sicherheit und Vertrauen.
Welche Datenquellen lassen sich an ARGUS anbinden?+
Bestehende Dokumentablagen, SharePoint, S3 und Datenbanken. Die Anbindung ist der erste Schritt der Einführung und braucht kein Training. Wo die Verarbeitung danach läuft — auf Ihren eigenen Servern oder auf unserer Hardware im EWR —, legen Sie fest.

Zuletzt aktualisiert: