Warum Wissensgraphen · Agentenwerk

Lernziele

Du erkennst Multi-Hop-Fragen und globale Fragen, an denen Ähnlichkeitssuche scheitert.
Du benennst, was ein Graph schlechter kann als Embeddings, und beschreibst die hybride Architektur.
Du entscheidest mit einer Schwellenregel, ob sich ein Graph für deinen Bestand lohnt.

Das Gedächtnisproblem eines AgentEin System, in dem ein Sprachmodell seinen nächsten Schritt selbst wählt: Es ruft Werkzeuge auf, wertet das Ergebnis aus und macht weiter, bis das Ziel erreicht ist.Im Glossar liegt beim Ablegen. Fakten kommen verbunden an und werden flach gespeichert. Ein Wissensgraph · engl. knowledge graphEin Graph, in dem Entitäten die Knoten sind und ihre Beziehungen typisierte Kanten. Fragen nach Zusammenhängen werden so zu Wegen durch den Graphen.Im Glossar behält die Verbindungen: Entitäten als Knoten, Beziehungen als typisierte Kanten. Die Frage „Was hat X mit Y zu tun?“ wird damit zu einem Weg durch den Graphen, und das Modell muss die Verbindung nicht raten.

Dieses Handbuch behandelt Graphen als Agenten-Gedächtnis allgemein. Die Seite für den eigenen Vault, mit Wikilinks als Kanten, typisierten Links und der Graphansicht von Obsidian, steht im Kapitel Graphen des Praxisprojekts.

Was Vektor-RAG nicht kann

Abruf über Embedding · engl. embeddingEine Zahlenreihe, die die Bedeutung eines Textabschnitts abbildet. Ähnliche Texte haben ähnliche Embeddings, so findet eine Suche verwandte Abschnitte ohne gleiche Wörter.Im Glossar beantwortet eine Art von Frage gut: „Finde Abschnitte, die so ähnlich klingen.“ An zwei anderen Arten scheitert er vorhersehbar.

Multi-Hop-Frage · engl. multi-hop questionEine Frage, deren Antwort Fakten aus mehreren Dokumenten verknüpft. Kein einzelner Textabschnitt enthält sie.Im Glossar verbinden Fakten aus mehreren Dokumenten. Ein Beispiel: „Welche meiner Kunden nutzen das Framework, vor dem mich meine Kollegin gewarnt hat?“ Die Antwort entsteht erst aus der Verknüpfung zweier Fakten aus verschiedenen Abschnitten. Die Ähnlichkeitssuche holt Bruchstücke beider Hälften, und das Modell erfindet die Brücke dazwischen.

Eine Multi-Hop-Frage im Graphen: Die Antwort ist der Weg über das Framework. Beispieldaten.

Globale Fragen betreffen den ganzen Bestand: „Welche Themen ziehen sich durch alles, was ich dieses Jahr gelesen habe?“ Die Antwort ist eine Eigenschaft des Bestands. Fünf Abschnitte, egal wie ähnlich, enthalten sie nicht.

Graphen beantworten beide Arten. Ihre Kanten sind Verknüpfungen, die der Ingest einmal berechnet hat, und ihre Cluster bilden die Ebene der Themen. Genau auf dieser Beobachtung baut GraphRAG auf.

Was Graphen nicht können

Ein Graph ist nur so gut wie die Extraktion, die ihn gebaut hat. Extraktion verliert Information, kostet Geld und liegt manchmal falsch. Vektorsuche braucht kein Schema und verträgt jede Eingabe. Ihre Fehler zeigen sich bei der Abfrage, die Fehler eines Graphen stecken schon seit dem Ingest in seinen Kanten.

Vages Erinnern bleibt Sache der Embeddings: „Irgendwas mit Preisen, vielleicht aus einem Podcast.“ Dafür hat der Graph keinen Startpunkt und hilft nicht weiter.

Hybrid ist der Normalfall

Nach unserer Einschätzung ist die Frage „Graph oder Vektoren“ 2026 weitgehend entschieden. Systeme, die vages Erinnern und strukturierte Sprünge brauchen, betreiben beides. Die Vektoren finden die Einstiegspunkte, der Graph erweitert von dort.

LightRAG und Graphiti liefern diese Architektur als Standard aus. Graphiti kombiniert beim Abruf semantische Suche, Stichwortsuche (BM25) und das Ablaufen des Graphen. Damit verschiebt sich die Designfrage: Wo liegt der Graph, und wer schreibt ihn? Die Antworten stehen in der Lektion Graph-Stores.

Wann es sich nicht lohnt

Lass den Graphen weg, wenn einer dieser Fälle zutrifft:

Der Bestand passt ins Kontextfenster · engl. context windowAlles, was das Modell bei einem Aufruf liest: Anweisungen, Verlauf, Dateien, Tool-Ergebnisse. Was dort fehlt, existiert für das Modell nicht.Im Glossar. Dann lies ihn ganz.
Die Fragen sind einfache Nachschlagefragen mit einem Schritt. Vektorsuche oder schon eine Volltextsuche wie grep sind billiger.
Niemand pflegt das Schema. Ein veralteter Graph schadet mehr als keiner, weil er aus alten Kanten selbstsicher antwortet.
Du führst schon ein gepflegtes Wiki mit typisierten Links. Das ist ein Graph, von Hand gebaut, und nach unserer Einschätzung meist besser als einer, den ein Modell extrahiert hat.

Als Schwelle gilt grob: Ein Graph lohnt sich, wenn deine Fragen häufiger Fakten über Dokumente hinweg verknüpfen, als dass sie Fakten aus einem Dokument holen. Unterhalb dieser Linie kostet die Pipeline aus Graphen mit LLMs bauen mehr, als sie bringt.

Lohnt sich ein Graph?

Ordne jede Lage ein.

Noch offen (6)

40 Projektnotizen, zusammen etwa 30.000 Tokens
Support-Archiv mit 200.000 Tickets, Fragen wie „Welche Kunden mit Vertrag X melden Fehler Y seit Version Z?“
FAQ-Bot, der zu jeder Frage den passenden Hilfeartikel findet
Gepflegter Vault mit 3.000 Seiten und typisierten Links
Ein Agent arbeitet monatelang mit Kunden, deren Lage sich ständig ändert
Ein Graph wurde vor zwei Jahren extrahiert, seitdem pflegt ihn niemand

Graph lohnt sich (0)

Ohne Graph (0)

Merksätze

Vektor-RAG scheitert an Multi-Hop-Fragen und an globalen Fragen über den ganzen Bestand.
Ein Graph speichert Verknüpfungen einmal beim Ingest. Seine Cluster bilden die Ebene der Themen.
Ein Graph erbt jeden Fehler seiner Extraktion. Vages Erinnern bleibt Aufgabe der Embeddings.
Hybride Systeme lassen die Vektoren den Einstieg finden und den Graphen von dort erweitern.
Ein Graph lohnt sich, wenn deine Fragen öfter Fakten über Dokumente verknüpfen, als dass sie Fakten aus einem Dokument holen.

Prüf dich selbst

Denkfrage

Warum erfindet das Modell bei einer Multi-Hop-Frage mit reiner Vektorsuche oft die Verbindung?

Denkfrage

Wann ist ein veralteter Graph schlimmer als gar keiner?

Quellen

LightRAG: Simple and Fast Retrieval-Augmented Generation · HKUDS
Graph und Vektorindex kombiniert.
Graphiti: Build Real-Time Knowledge Graphs for AI Agents · Zep
Hybrider Abruf: semantisch, Stichwort (BM25), Graph.