Knowledge-Graph-Beratung: die Kontextschicht für Ihre KI-Agenten

Was eine Kontextschicht ist

Eine Kontextschicht entscheidet, was ein KI-Agent in dem Moment weiß, in dem er antwortet oder handelt: welcher Fakt aktuell ist, woher er stammt und wer ihn sehen darf. Auf einem temporalen Wissensgraphen gebaut, hält sie jeden Fakt mit dem Zeitraum, in dem er galt, und dem Zeitpunkt, zu dem er erfasst wurde. Eine geänderte Entscheidung ersetzt so die alte, statt in einer Ähnlichkeitssuche mit ihr zu konkurrieren.

Ein temporaler Graph hilft, wenn Beziehungen, Gültigkeitszeiträume und die Geschichte von Entscheidungen wichtig sind. RAG kann ebenfalls Zeitstempel, Metadatenfilter, Quellenangaben und Reranking nutzen. Ähnlichkeit allein klärt nicht, welche widersprüchliche Aussage aktuell ist. Beide Ansätze brauchen verlässliche Quellen und geprüfte Aktualisierungsregeln. Entscheidend sind Tests mit Ihren tatsächlichen Fragen.

Warum ein temporaler Wissensgraph

• Aktuell, nicht nur ähnlich. Fakten sind Kanten zwischen Entitäten, jede mit einem Gültigkeitszeitraum. Widerspricht ein neuer Fakt einem alten, wird die alte Kante geschlossen und nicht gelöscht. So lässt sich fragen, was heute gilt und was im März galt.
• Belegt. Jeder Fakt verweist auf die Episode, aus der er stammt: den Ticket-Kommentar, die Meeting-Notiz, das CRM-Feld. Eine Antwort trägt die Textstelle, und eine prüfende Person kann sie öffnen.
• Inkrementell. Neue Daten kommen an, sobald sie entstehen, ohne den ganzen Bestand neu zu indexieren. Das zählt, wenn die Quelle ein Chat-Kanal ist und kein Dokumentenarchiv.
• Für Maschinen und Menschen lesbar. Hybride Suche über Embeddings, Stichworte und Graph-Distanz versorgt den Agenten, und derselbe Graph antwortet einer Person im Chat.

Ich baue auf Graphiti, dem quelloffenen Framework für temporale Wissensgraphen, und pflege Graphiti Local, eine Lese-Schnittstelle dafür: sechs Lese-Werkzeuge über MCP, eine kg-Kommandozeile und ein Schreibpfad, der auf eine Person wartet. Wie das im Einzelnen funktioniert, steht im Leitfaden zum temporalen Wissensgraphen. Den Vergleich mit Mem0 und den Betrieb in Produktion beschreibe ich auf Englisch: Graphiti vs Mem0 und Graphiti in production.

Vom Produktivsystem zum eigenen Workflow

Die Fallstudie beschreibt ein System im Produktivbetrieb. Mit dem unabhängigen Open-Source-Starter und Python-SDK können Sie einen Ablauf mit fiktiven Daten selbst prüfen.

Determa übernimmt die Analyse und Umsetzung Ihres Workflows. Im kostenlosen Erstgespräch klären wir Verantwortliche und Quellen. Eine separat beauftragte Analyse liefert Abnahmekriterien, eine Build-or-Buy-Empfehlung und eine Aufwandsschätzung. Danach entscheiden Sie über die Umsetzung.

Welche Freigabe wofür gilt

Quellzugriffe folgen den vereinbarten Zugriffs- und Übernahmeregeln. Abgeleitete Geschäftsfakten gelangen durch ein menschliches Urteil oder eine ausdrücklich erteilte, begrenzte Dauerfreigabe in den gemeinsamen Graphen. Aktionen in anderen Systemen brauchen vor ihrer Ausführung die dafür geltende Autorisierung. Eine Nachkontrolle ersetzt diese nicht. Im öffentlichen Starter wird jeder Kommentar einzeln geprüft und freigegeben.

Was Sie bekommen

Wo sie läuft

Rechenleistung, Speicher und Graph laufen in Ihrem Cloud-Tenant. Modell- und Embedding-Endpunkte werden getrennt ausgewählt und geprüft. Bei EU-Anforderungen dokumentiert das Review Modell, Version, Bereitstellungstyp, Verarbeitungsort und angebundene Dienste. Selbst gehostete Inferenz ist eine Option, wenn Daten im eigenen Netz bleiben müssen.

Für wen das ist

Für Unternehmen, deren Assistent bereits Chat, Tickets, Wiki und CRM liest und jetzt aus dem aktuellen Stand antworten und nur mit Freigabe einer Person handeln muss. Sie haben entschieden, dass der Assistent handeln wird, und dort beginnt diese Arbeit. Nicht für Teams, die noch klären, ob sie KI überhaupt einsetzen.

Graphiti Local ist ein unabhängiges Community-Projekt auf Basis von Graphiti. Es steht in keiner Verbindung zu Zep und wird von Zep weder unterstützt noch empfohlen.