Zum Inhalt springen

Agenten und Wissen

Wissensgraph

Ein Wissensgraph bildet Wissen als Netz ab: Die Knoten stehen für Dinge wie Kunden, Produkte, Anlagen oder Verträge, die Kanten für die Beziehungen zwischen ihnen, etwa „ist verbaut in“ oder „wird geliefert von“. So lassen sich Fragen beantworten, die über mehrere Verbindungen hinweg reichen.

Auch: Knowledge Graph, Wissensnetz, GraphRAG, Graph RAG

Eine Tabelle weiß, dass Kunde 4711 in Emden sitzt. Ein Dokument weiß, dass die Pumpe P-200 ein bestimmtes Dichtungsset braucht. Welche Kunden betroffen sind, wenn genau dieses Dichtungsset nicht lieferbar ist, weiß keines von beiden. Die Antwort liegt in den Verbindungen: Dichtungsset gehört zu Pumpe, Pumpe ist verbaut in Anlage, Anlage steht bei Kunde. Ein Wissensgraph speichert genau diese Verbindungen ausdrücklich, als Netz aus Knoten und Kanten.

Breit bekannt wurde der Begriff 2012, als Google seinen Knowledge Graph vorstellte. Der Titel der Ankündigung fasst die Idee in drei Wörtern zusammen: „things, not strings“, also Dinge statt Zeichenketten. Die Suche sollte nicht mehr nur Wörter vergleichen, sondern wissen, dass „Taj Mahal“ ein Bauwerk ist, aber auch ein Musiker heißen kann. Google nannte zum Start über 500 Millionen Objekte und mehr als 3,5 Milliarden Fakten und Beziehungen zwischen ihnen. Im Unternehmen ist der Maßstab kleiner, das Prinzip dasselbe.

Knoten, Kanten und ein gemeinsames Vokabular

Der Grundbaustein ist eine Aussage aus drei Teilen. Das W3C beschreibt sie in seinem Standard RDF als Tripel aus Subjekt, Prädikat und Objekt: Zwischen den beiden Dingen, die Subjekt und Objekt bezeichnen, besteht die Beziehung, die das Prädikat benennt. „Anlage A-17“, „steht bei“, „Kunde 4711“ ist ein solches Tripel. Viele solcher Aussagen zusammen ergeben den Graphen.

Neben RDF ist das Modell des Property Graph verbreitet, bei dem Knoten und Kanten zusätzlich Eigenschaften tragen, etwa ein Einbaudatum an der Kante zwischen Pumpe und Anlage. Hogan und Kollegen behandeln in ihrem Überblick beide Modelle und betonen, dass zu einem Wissensgraphen mehr gehört als die Datenstruktur: ein Schema, das festlegt, welche Arten von Dingen und Beziehungen es gibt, Regeln für Identität, also wann zwei Einträge dasselbe Ding meinen, und Verfahren, um aus vorhandenen Aussagen neue abzuleiten.

Das Schema ist die eigentliche Arbeit. Ob „Lieferant“ und „Hersteller“ dieselbe Rolle sind, ob eine Anlage beim Kunden „steht“ oder ihm „gehört“, sind fachliche Entscheidungen. Ein Graph mit unklarem Vokabular wird schnell zu einem Knäuel, in dem jede Abfrage etwas anderes findet.

Was ein Graph beantwortet, was eine Vektorsuche nicht kann

Eine Vektordatenbank findet Textabschnitte, die einer Frage inhaltlich ähneln. Für „Wie wechselt man die Dichtung der P-200?“ ist das ideal. Für „Welche Kunden mit Wartungsvertrag haben eine Anlage mit P-200, die älter als zehn Jahre ist?“ scheitert sie, weil die Antwort in keinem einzelnen Abschnitt steht. Sie entsteht erst, wenn man mehrere Beziehungen nacheinander verfolgt. Fachleute sprechen von Fragen über mehrere Sprünge.

Vektordatenbank Wissensgraph
Speichert Textabschnitte mit ihrer Bedeutung Dinge und benannte Beziehungen
Stark bei „Wo steht etwas darüber?“ „Was hängt womit zusammen?“
Antwort entsteht durch Ähnlichkeit zur Frage Verfolgen von Verbindungen
Aufbau weitgehend automatisch Schema und Pflege nötig
Nachvollziehbarkeit Ähnlichkeitswert ohne Begründung jeder Schritt als Beziehung sichtbar

Beides schließt sich nicht aus. Viele Systeme verbinden die Knoten des Graphen mit den Textstellen, aus denen sie stammen. Die Suche nach Bedeutung findet den Einstieg, der Graph liefert den Zusammenhang drumherum.

GraphRAG: der Graph als Wissensquelle für Sprachmodelle

Unter dem Namen GraphRAG hat Microsoft Research 2024 einen Ansatz veröffentlicht, der einen Wissensgraphen automatisch aus Dokumenten erzeugt und für Retrieval Augmented Generation nutzt. Edge und Kollegen gehen von einer Schwäche der gewöhnlichen RAG aus: Sie scheitert an globalen Fragen an einen ganzen Bestand, etwa „Was sind die Hauptthemen in diesen Unterlagen?“, weil keine einzelne Fundstelle die Antwort enthält.

Das Verfahren arbeitet in zwei Stufen. Zuerst liest ein Sprachmodell alle Texte und zieht daraus Dinge, Beziehungen und Aussagen heraus. Dann werden eng verbundene Teile des Graphen zu Gruppen zusammengefasst, nach der Dokumentation mit einem Verfahren namens Leiden, und für jede Gruppe schreibt das Modell vorab eine Zusammenfassung. Eine globale Frage wird aus diesen Zusammenfassungen beantwortet, eine Frage nach einem bestimmten Ding über dessen Nachbarn im Graphen. Auf Testbeständen von rund einer Million Token berichten die Autoren deutlich vollständigere und vielfältigere Antworten als mit einer gewöhnlichen RAG.

Der Preis steht im Projekt selbst. Microsoft warnt im Repository, dass die Indexierung teuer werden kann, und rät, klein anzufangen. Jeder Text muss mindestens einmal durch ein Sprachmodell, und jede Änderung am Bestand zieht neue Extraktion und neue Zusammenfassungen nach sich. Die Standardeinstellungen liefern laut Microsoft nicht unbedingt die besten Ergebnisse; die Prompts sollten an die eigenen Daten angepasst werden. Außerdem bezeichnet Microsoft den Code als Demonstration ohne offiziellen Support, und das Repository befindet sich nach eigener Angabe weitgehend im Wartungsmodus (Stand Oktober 2026). Der Begriff GraphRAG wird inzwischen auch allgemein für jede RAG-Variante benutzt, die einen Graphen einbezieht. Wer ihn in einem Angebot liest, sollte fragen, welche Technik gemeint ist.

Woher der Graph kommt

Es gibt zwei Quellen, und sie unterscheiden sich stark in der Verlässlichkeit.

Aus strukturierten Systemen. Viele Beziehungen liegen im Unternehmen bereits sauber vor: Stücklisten im ERP, Kundenzuordnungen im CRM, Vertragslaufzeiten in der Vertragsverwaltung. Daraus einen Graphen zu bauen, heißt vor allem, Schlüssel abzugleichen und zu entscheiden, welche Beziehungen man abbilden will. Die Aussagen sind so richtig wie die Stammdaten.

Aus Texten. Was nur in Handbüchern, Protokollen oder E-Mails steht, muss erst herausgelesen werden. Das ist eine Form der Informationsextraktion, heute meist mit einem Sprachmodell. Dabei entstehen Fehler: falsche Beziehungen, übersehene Dinge und vor allem Doppelungen. Ob „Müller GmbH“, „Fa. Müller“ und „Müller GmbH & Co. KG“ dasselbe Unternehmen sind, muss jemand oder etwas entscheiden. Ein Modell kann auch Beziehungen herstellen, die so nirgends stehen, ein verwandtes Problem zur Halluzination. Wer einen automatisch erzeugten Graphen nutzt, sollte jede Kante bis zur Textstelle zurückverfolgen können.

Wann sich der Aufwand lohnt

Ein Wissensgraph ist kein Ersatz für eine gute Suche, sondern eine Ergänzung für bestimmte Fragen. Er lohnt sich, wenn wichtige Fragen tatsächlich über Zusammenhänge gehen: Welche Produkte sind von einem Lieferantenausfall betroffen, welche Verträge hängen an einer Gesellschaft, welche Anlagen nutzen ein abgekündigtes Bauteil. Er lohnt sich weniger, wenn Nutzer vor allem Textstellen suchen. Dann reichen eine hybride Suche und sauber zerlegte Dokumente.

Vor einer Entscheidung helfen einige Fragen: Welche zehn Fragen soll das System beantworten, und brauchen sie wirklich mehrere Sprünge? Liegen die Beziehungen schon strukturiert vor, oder müssen sie aus Text gewonnen werden? Wer pflegt das Schema, wenn neue Produktlinien oder Gesellschaften hinzukommen? Und was kostet es, den Graphen nach einer Änderung im Bestand neu aufzubauen? Wer diese Fragen nicht beantworten kann, beginnt besser mit der Suche und ergänzt den Graphen dort, wo sie nachweislich an Zusammenhängen scheitert.

Quellen

  1. Knowledge Graphs, Hogan et al., arXiv (ACM Computing Surveys), 2021
  2. RDF 1.1 Concepts and Abstract Syntax, World Wide Web Consortium (W3C), 2014
  3. Introducing the Knowledge Graph: things, not strings, Amit Singhal, Google, 2012
  4. From Local to Global: A Graph RAG Approach to Query-Focused Summarization, Edge et al., Microsoft Research, arXiv, 2024
  5. GraphRAG, Microsoft, GitHub

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.