Seminar ArangoDB Vector Search, GraphRAG und KI-Anwendungen

Das Seminar behandelt moderne Such- und KI-Anwendungsfälle mit ArangoDB. Im Fokus stehen Embeddings, Vektorattribute, Vektorindexe, Ähnlichkeitssuche, Kombination mit Graphdaten und RAG-nahe Architekturen. Drei Tage sind notwendig, weil Datenmodell, AQL, Graphkontext und Qualitätsbewertung gemeinsam geübt werden.

Zielgruppe

• Entwickler von Such-, Assistenz- und KI-Anwendungen
• Data Engineers mit Embedding- und Retrieval-Aufgaben
• Architekten für GraphRAG- und Hybrid-Search-Szenarien
• Teams, die Graphdaten und semantische Suche kombinieren möchten

Voraussetzungen

Vorausgesetzt werden ArangoDB- und AQL-Grundlagen. Basiswissen zu Embeddings, semantischer Suche oder RAG-Architekturen ist hilfreich.

Inhalte

• Einordnung von Vector Search in ArangoDB-Projekte
• Embeddings als Vektorattribute speichern und versionieren
• Vektorindexe, Dimensionen, Metriken und Suchparameter verstehen
• AQL-Abfragen für Ähnlichkeitssuche formulieren
• Kombination von Vector Search mit Dokumentfiltern und Graph-Traversals
• Hybrid Search mit strukturierter Suche, Volltextsuche und semantischer Suche
• GraphRAG-Grundmuster: relevante Knoten finden, Kontext erweitern, Antwortgrundlage begrenzen
• Datenqualität, Chunking, Metadaten und Herkunftsinformationen
• Bewertung von Suchqualität, Trefferlisten und Kontextgröße
• Architekturgrenzen, Betrieb, Kosten und Sicherheitsaspekte bei KI-nahen Anwendungen

Praxisübungen

• Beispieldokumente mit Vektorattribute vorbereiten
• Vektorindex anlegen und Ähnlichkeitssuche ausführen
• Semantische Treffer mit Graph-Traversal erweitern
• Hybrid-Search-Szenario mit Filterung und Relevanzbewertung aufbauen
• Qualitätsprüfung einer Retrieval-Strecke anhand fachlicher Testfragen

Methodik

Das Seminar behandelt KI-nahe Funktionen nüchtern und praktisch. Ziel ist keine Zaubervorführung, sondern eine nachvollziehbare Retrieval-Architektur mit kontrollierbarem Datenkontext.