Handbücher · Wissensgraphen
Werkzeuge
Lernziele
- Du ordnest die wichtigsten Graph-Werkzeuge ihrer Aufgabe zu: Agenten-Gedächtnis, Dokumentbestand, Framework-Integration, Analyse.
- Du erkennst, welche Werkzeuge nur noch gewartet werden und welche Importpfade sich geändert haben.
- Du wählst für eine gegebene Lage ein Werkzeug und begründest die Wahl.
Dieser Überblick hat den Stand Nov. 2026. Das Feld hat sich 2025 stark verdichtet. Die Generation, die den Bestand in einem Durchgang indexiert, ist still geworden. Inkrementelle Werkzeuge, die auf das Gedächtnis von Agenten zielen, haben das Feld übernommen.
Gedächtnis- und GraphRAG-Frameworks
| Werkzeug | Wofür |
|---|---|
| Graphiti | zeitliche Wissensgraphen als Agenten-Gedächtnis, von Zep |
| Cognee | selbst gehostete Gedächtnis-Engine, Graph und Vektoren in einer Pipeline |
| LightRAG | GraphRAG für Dokumentbestände, Graph plus Vektorindex, inkrementell |
| fast-graphrag | Personalized PageRank statt Community-Berichten, ruht seit Nov. 2025 |
| microsoft/graphrag | das Original, nur noch Wartung |
Graphiti gibt jeder Kante ein Gültigkeitsfenster. Widersprüche markieren alte Kanten als ungültig, die Kanten selbst bleiben erhalten, und Abfragen zu einem bestimmten Zeitpunkt funktionieren. Nach unserer Einschätzung ist es die stärkste Option für Agenten, die lange laufen. Als Backend nimmt es Neo4j, FalkorDB oder Amazon Neptune. Graphiti ist auch das Framework, mit dem Zep in seiner gehosteten Kontext-Plattform den Graphen baut.
Cognee verbindet Graph und Vektoren in einer Pipeline, die du selbst betreibst. Das Ökosystem an Integrationen wächst, etwa für n8n und für Agenten-Frameworks. Neben der Python-Engine gibt es eine eigene Rust-Implementierung, cognee-rs, noch in Version 0.2.
LightRAG ist das pragmatische GraphRAG: doppelter Index aus Graph und Vektoren, inkrementelle Updates, mehrere Speicher-Backends wie PostgreSQL, MongoDB und Neo4j. Das Paper erschien auf der EMNLP 2025, und das Projekt wird weiter aktiv entwickelt.
fast-graphrag von Circlemind lässt die Community-Berichte weg und traversiert den Graphen mit Personalized PageRank. Das macht Abfragen billig. Seit Nov. 2025 kommen keine neuen Commits mehr.
microsoft/graphrag liest du, um das Verfahren zu verstehen. Neue Projekte baust du darauf nach unserer Einschätzung besser nicht. Den Hintergrund erklärt die Lektion GraphRAG.
Integrationen in Frameworks
| Werkzeug | Wofür |
|---|---|
| Property Graph Index (LlamaIndex) | austauschbare Extraktoren und Retriever über jeden Property-Graph-Store |
| LLMGraphTransformer (LangChain) | Dokumente rein, Graph-Dokumente raus |
| LLM Knowledge Graph Builder (Neo4j) | gehostete Pipeline zum Klicken, von Quellen zum Neo4j-Graphen |
| GraphRAG-SDK (FalkorDB) | SDK mit Ontologie zuerst, über FalkorDB |
Der Property Graph Index ist nach unserer Einschätzung die vollständigste Option innerhalb eines Frameworks. Die Extraktoren erzwingen ein Schema oder arbeiten frei, die Retriever laufen über jeden Property-Graph-Store.
Der LLMGraphTransformer ist aus langchain-experimental in das Paket langchain-neo4j umgezogen. Du importierst ihn mit from langchain_neo4j import LLMGraphTransformer. Das Paket langchain-experimental wurde im Mai 2026 eingestellt. Es lässt sich noch installieren, bekommt aber keine Updates mehr. Prüfe deshalb Tutorials, bevor du ihren Code übernimmst.
Der LLM Knowledge Graph Builder von Neo4j macht aus lokalen Dateien wie PDFs, aus Webseiten, YouTube-Transkripten, Wikipedia-Artikeln und Dateien in S3 oder GCS einen Neo4j-Graphen, ohne dass du Code schreibst. Als Datenbank reicht die kostenlose AuraDB Free. Damit siehst du, was die Extraktion mit deinem Material anstellt, bevor du selbst eine Pipeline baust.
Das GraphRAG-SDK von FalkorDB setzt die Ontologie an den Anfang und läuft über FalkorDB.
Visualisierer
Gephi ist das Arbeitspferd für die Analyse eines exportierten Graphen: GraphML laden, Layout und Community-Färbung laufen lassen, die Struktur finden, die du nicht kanntest. Wie der Export aus einem Vault geht, zeigt die Lektion Graph exportieren. Für Graphen in Neo4j decken der mitgelieferte Neo4j Browser und Bloom die Darstellung direkt in der Datenbank ab. Bloom ist in Neo4j Desktop und in Aura kostenlos, erweiterte Funktionen brauchen eine Lizenz.
Graph-Werkzeuge für Obsidian
Die eingebaute Graphansicht liefert nach unserer Einschätzung vor allem ein Bild des Vaults. Die eigentliche Arbeit machen Plugins. Was die eingebaute Ansicht kann, zeigt die Lektion Obsidians Graphansicht.
- InfraNodus bringt echte Netzwerkanalyse in den Vault: thematische Cluster, Zentralität, strukturelle Lücken. Dazu erzeugt es mit KI Fragen zu den Lücken. Die Grundfunktionen sind kostenlos, mehr KI-Kontingent kostet nach einer Testphase ein Abo.
- Extended Graph erweitert die eingebaute Ansicht um Filter und eigene Darstellung je Typ.
- Der Obsidian Hub führt eine aktuelle Liste von Graph-Plugins.
Auswählen
Welches Werkzeug passt?
Ordne jede Lage der Empfehlung zu.
Noch offen (5)
- Ein Support-Agent soll sich über Monate merken, was Kunden erzählt haben und was sich geändert hat
- Ein Team will Fragen an 50.000 technische Dokumente stellen, auch Fragen über mehrere Dokumente
- Die Anwendung läuft schon komplett auf LlamaIndex
- Dein gepflegter Vault mit typisierten Links, du willst blinde Flecken finden
- Ein Agent soll selbst gehostet Gedächtnis aus Graph und Vektoren bekommen, angebunden an n8n
Graphiti oder Cognee (0)
LightRAG (0)
Extraktor des Frameworks (0)
Eigene Links, dazu InfraNodus (0)
Kurz gefasst: Für Agenten-Gedächtnis nimmst du Graphiti oder Cognee. Für Fragen an einen Dokumentbestand nimmst du LightRAG. Lebt dein Projekt schon in LlamaIndex oder LangChain, nimmst du deren Extraktoren und schreibst in einen Store aus der Lektion Graph-Stores. Bei einem gepflegten Vault sind deine Links der Graph, und InfraNodus kommt dazu, wenn du die Analyse willst.
Merksätze
- Seit 2025 dominieren inkrementelle Werkzeuge mit Fokus auf Agenten-Gedächtnis.
- Graphiti hält Gültigkeitsfenster an Kanten, Cognee verbindet Graph und Vektoren selbst gehostet, LightRAG beantwortet Fragen an Dokumentbestände.
- microsoft/graphrag ist Referenz im Wartungsmodus. Der LLMGraphTransformer lebt jetzt in
langchain-neo4j,langchain-experimentalist eingestellt. - Gephi analysiert exportierte Graphen. In Obsidian ergänzen InfraNodus und Extended Graph die eingebaute Ansicht.
- Werkzeuge in diesem Feld ändern sich schnell. Prüfe Status und Importpfade, bevor du baust.
Prüf dich selbst
Denkfrage
Ein Tutorial von 2024 importiert den LLMGraphTransformer aus langchain_experimental. Was tust du?
Du installierst das Paket langchain-neo4j und importierst mit from langchain_neo4j import LLMGraphTransformer. Der alte Pfad lässt sich noch installieren, das Paket ist aber eingestellt und bekommt keine Updates. Prüfe auch die übrigen Aufrufe im Tutorial gegen die aktuelle Referenz.
Denkfrage
Warum empfiehlt diese Lektion für einen gepflegten Vault kein Gedächtnis-Framework?
Der Vault ist schon ein Graph, den du mit typisierten Links von Hand gebaut hast. Ein Framework würde daneben einen zweiten, extrahierten Graphen aufbauen, der gepflegt werden muss. Für die Analyse reicht ein Plugin wie InfraNodus.
Prüf dich selbst
Werkzeuge (Stand: Nov. 2026)
- Graphiti
- Zep
Gehostete Kontext-Plattform, Graph gebaut mit Graphiti.
- Cognee
- cognee-rs
Rust-Implementierung, v0.2.
- LightRAG
- fast-graphrag
- microsoft/graphrag
- Property Graph Index Guide
- LLMGraphTransformer
- LLM Knowledge Graph Builder
- GraphRAG-SDK
- Gephi
- InfraNodus für Obsidian
Grundfunktionen kostenlos, mehr KI-Kontingent im Abo.
- Extended Graph
Plugin von ElsaTam: Filter nach Tags und Properties, Formen und Farben.
- Graph plugins