Wissenschaftliche Grundlagen
Research-Driven Engineering, das Schlüsselpapier, die CETIC-Studie
Research-Driven Engineering: Technik, die auf Wissenschaft ruht
BrainDup erfindet nichts im Leeren. Jeder Baustein des Frameworks ist die konkrete Umsetzung veröffentlichter und von Fachleuten geprüfter Forschung. Das ist keine methodische Nebensache: es trennt ein Produktionsframework von einem Prototyp.
Warum wiegt das so schwer? Aus drei Gründen.
- Wiederholbarkeit. Eine technische Entscheidung, die auf einem wissenschaftlichen Papier ruht, lässt sich prüfen, wiederholen und bestreiten. Keine schwarze Magie in der Kette.
- Glaubwürdigkeit. Vor einer Geschäftsführung, einem technischen Partner oder einer Prüferin verweist jeder Baustein von BrainDup auf eine benennbare Veröffentlichung.
- Dauerhaftigkeit. Moden gehen. Wissenschaftliche Ergebnisse bleiben. Auf dem Stand der Technik zu bauen heißt, dass die Grundmauern halten.
Das Schlüsselpapier: GraphRAG Agent mit Neo4j und Milvus
Im September 2024 veröffentlicht Enzo im Blog von Neo4j einen entscheidenden technischen Beitrag: die Beschreibung einer gemischten Architektur, die Neo4j für strukturierte Beziehungen und Kontext mit Milvus für semantische Vektorsuche verbindet. Der Kerngedanke ist einfach und stark: der Vektor allein genügt nicht. Um verwickelte Fragen genau zu beantworten, muss man auch die Beziehungen zwischen den Begriffen verstehen.
Das ist der technische Anfangspunkt von BrainDup. Die erste Umsetzung kommt mit MethodMIND, einer semantischen Suchmaschine über einen wissenschaftlichen Bestand, gebaut auf Milvus allein. Der nächste Schritt ist PST2RAG, wo die Architektur wirklich gemischt wird: ein Doppelschema, das Milvus (Vektoren) und Neo4j (Wissensgraph) verbindet. Die Produktionsreife kommt mit IA-ACTES.
BrainDup ist die industrielle Umsetzung dieser Architektur. Das Framework holt heraus, verallgemeinert und macht wiederverwendbar, was im Betrieb an echten Fällen bestätigt wurde.
Externe Bestätigung: die Studie des CETIC
Im April 2025 veröffentlicht Leandro Collier beim CETIC, dem belgischen Kompetenzzentrum für Informations- und Kommunikationstechnik, eine Studie mit dem Titel „Au-delà du simple chatbot“. Diese unabhängige Analyse vergleicht klassische RAG-Ansätze auf Vektorbasis mit GraphRAG-Architekturen.
Genauigkeit
| Kontext | GraphRAG | RAG nur auf Vektoren |
|---|---|---|
| Allgemein | 81,67 % | 57,50 % |
| Industrie | 90,63 % | 46,88 % |
Wirtschaftlichkeit
- 97 % weniger Tokenverbrauch. Der Graph erlaubt es, die einschlägige Information genau zu treffen, statt umfangreiche Textblöcke an das Sprachmodell zu senden.
- Bessere Nachvollziehbarkeit des Gedankengangs hinter den Antworten. Jede Antwort lässt sich den Knoten und Beziehungen im Graphen zuordnen, die sie hervorgebracht haben.
Diese Zahlen bestätigen genau die Architektur, die BrainDup umsetzt: Vektoren und Graph zusammen sind kein technischer Luxus, sie sind eine Forderung der Genauigkeit.
Von der Wissenschaft zur Technik
Jede technische Entscheidung in BrainDup ruht auf mindestens einem veröffentlichten wissenschaftlichen Papier.
| Technische Entscheidung in BrainDup | Wissenschaftliches Papier | Was es belegt |
|---|---|---|
| Modulare RAG-Architektur | Modular RAG: Transforming RAG Systems into LEGO-like Reconfigurable Frameworks (arXiv 2407.21059) | BrainDup setzt den LEGO-artigen Rahmen um, den die Forschung empfiehlt |
| Doppelschema Milvus und Neo4j | Knowledge Graph RAG for LLM-based Recommendation (arXiv 2501.02226) + étude CETIC | Der Graph verdoppelt die Genauigkeit (81,6 % gegenüber 57,5 %) |
| Selbstständige KI-Agenten (BMAD) | Agentic RAG: A Survey on Agentic RAG (arXiv 2501.09136) | Steuerung durch Agenten ist der Stand der Technik für RAG im Jahr 2025 |
| Dokumentumwandlung auf GPU (Docling) | Docling Technical Report (arXiv 2408.09869) + Docling Toolkit (arXiv 2501.17887) | Verlässliche Umwandlung komplexer Dokumente |
| Hierarchisches RAG für lange Dokumente | BookRAG (arXiv 2512.03413) | Hierarchischer Aufbau für lange Dokumente (Lastenheft mit 124 Seiten, Rechtsbestand) |
| RAG mit Metadaten angereichert | Metadata-Driven RAG for Financial QA (arXiv 2510.24402) | Metadaten verbessern die Treffergüte |
| Strukturiertes Prompt Engineering | The Prompt Report (arXiv 2406.06608) | Prompttechniken in den BMAD-Agenten systematisiert |
| Semantische Suche in einem wissenschaftlichen Bestand | Searching for Best Practices in RAG (arXiv 2407.01219) | Die MethodMIND-Kette folgt den empfohlenen Vorgehensweisen |
| Meta-Analyse in großem Maßstab | PERELMAN (arXiv 2512.21727) | Muster aus Extraktion und Zusammenführung, auf neue Bereiche anwendbar |
Diese Tabelle bildet die wissenschaftliche Nachweiskarte von BrainDup. Für jeden Baustein kann man zur Quelle zurückgehen, die Ergebnisse prüfen und verstehen, warum dieser Weg gewählt wurde.
Was das konkret bedeutet
BrainDup ist kein Versuchsprototyp, auf Ahnungen gebaut. Es ist ein Framework, dessen jeder Baustein wissenschaftlich begründet ist, von der Doppelarchitektur aus Vektoren und Graph, bestätigt vom CETIC, bis zu den selbstständigen Agenten, die in den neuesten Übersichtsarbeiten beschrieben sind.
Wer BrainDup einführt, wettet nicht auf eine aufkommende Technik. Er setzt einen dokumentierten, geprüften Stand der Technik um, der im Betrieb bereits bewährt ist.
Research-Driven Engineering ist kein Werbespruch. Es ist eine Methode. Und sie macht BrainDup zu einem Unterbau, auf dem man mit Zutrauen bauen kann.
Gehen Sie den Schritt
Dreißig Minuten, um zu prüfen, was souveräne KI in Ihrer Organisation leisten kann. Unverbindlich.
Kostenlose Souveränitätsprüfung