Klassische RAG-Systeme (Retrieval-Augmented Generation) leiden unter einem grundlegenden Problem: Die Qualität des Retrievals hängt stark davon ab, wie präzise eine Frage formuliert ist – minimal unterschiedliche Phrasierungen können zu sehr unterschiedlichen Ergebnissen führen. Der Artikel aus Towards Data Science argumentiert, dass Retrieval-Qualität stattdessen eine inhärente Eigenschaft der Systemarchitektur sein sollte. Kern des vorgeschlagenen Ansatzes ist ein Wissensgraph, der bei jeder Anfrage aktiv traversiert wird – statt statischer Vektorsuche tritt eine strukturierte Graph-Traversal-Logik in den Vordergrund. Bitemporale Kanten ermöglichen es, sowohl den Zeitpunkt der Gültigkeit einer Information als auch den Zeitpunkt ihrer Erfassung im System abzubilden – ein Mechanismus, der insbesondere für sich verändernde Wissensstände relevant ist. Ergänzt wird das Konzept durch eine Zwei-Schwellen-Entity-Resolution (Two-Threshold Entity Resolution), die Entitäten mit unterschiedlicher Schreibweise oder Referenz zuverlässiger zusammenführt, ohne fehlerhafte Verschmelzungen zu riskieren. Der Ansatz positioniert sich als Alternative zu reinem Embedding-Retrieval und adressiert damit bekannte Schwächen bei ambigen oder umgangssprachlichen Anfragen. Das Ziel: konsistentere, nachvollziehbarere und robustere Antworten aus komplexen Wissensbasen.