Knowledge-Graph-Beratung: die Kontextschicht für Ihre KI-Agenten
Ihre Agenten antworten aus dem, was die Suche gerade gefunden hat, und oft ist das der Stand vom letzten Quartal. Ich baue die Kontextschicht, aus der sie antworten und handeln: einen temporalen Wissensgraphen, der weiß, welcher Fakt aktuell ist, woher er kommt und wer ihn freigegeben hat, auf Ihrem eigenen Tenant.
- 2Zeitachsen pro FaktWann er galt und wann er erfasst wurde
- 6Systeme in einer SchichtChat, Tickets, Wiki, CRM, Postfach, Meetings
- 0Schreibzugriffe ohne FreigabeAn jeder Tür, auch über MCP
- 1Ihr eigener TenantRechenleistung, Speicher, Graph und Modelle
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.
Eine Suche über Dokumente liefert Passagen, die der Frage ähneln. Sie kann nicht sagen, welche von zwei widersprüchlichen Passagen noch stimmt, und auch nicht, wer eine davon gezeichnet hat. Genau dort liegen Agenten vor Kunden falsch, und genau diesen Teil baue ich.
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.
Was Sie bekommen
| Baustein | Was er leistet |
|---|---|
| Übernahme | Liest die Systeme, die Sie schon betreiben, etwa Teams, Jira, Confluence, Ihr CRM, Postfächer und Meeting-Notizen, mit deren eigenen IDs, fortsetzbar und ohne Dubletten |
| Der Graph | Graphiti auf FalkorDB oder Neo4j in Ihrem Tenant, ein Graph oder eine Gruppe pro Geschäftsbereich |
| Lesetüren | Chat für Menschen, MCP für Claude, Codex und andere Assistenten, eine Kommandozeile für Skripte und geplante Jobs |
| Schreibpfad | Agenten schlagen vor, eine Person gibt auf einer Karte im Chat frei, und der Graph hält fest, wer freigegeben hat und aus welcher Quelle |
| Berechtigungen | Jeder Lesezugriff läuft mit den eigenen Rechten der angemeldeten Person; ein Treffer, den sie nicht öffnen darf, fällt weg |
| Betrieb | Snapshots vor Migrationen, ein Übernahme-Protokoll, Lücken-Telemetrie pro Quelle und Audit-Ereignisse pro Tür |
Wo sie läuft
Rechenleistung, Speicher und der Graph laufen in Ihrem eigenen Cloud-Tenant. Auf Microsoft Azure kommen die Sprachmodelle aus Azure AI Foundry in diesem Tenant: GPT-5.6 von OpenAI, mit Luna für Abfragen in großer Menge und Terra für Schlussfolgern und Werkzeugnutzung, bereitgestellt als Data Zone Standard in der EU. Prompts und Antworten werden damit nur innerhalb der EU-Datenzone verarbeitet. Wo Daten Ihr Netz nicht verlassen dürfen, laufen Extraktion und Embeddings auf einem selbst gehosteten Modell.
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.
Der Weg hinein
Vier Schritte, jeder einzeln abgenommen. Der erste ist kostenfrei, danach wird nach Stunden abgerechnet, und keiner verpflichtet zum nächsten.
- 1Architekturgespräch, 30 MinutenSie bringen die Systeme mit, die Ihre Agenten lesen, und die Fragen, an denen sie scheitern. Wir finden die erste Quelle, die erste Tür und die Fakten, die am schnellsten veralten.
- 2Schreibpfad-Review, fester StundenumfangDas KI-Pilot zu Production Audit: aus welchen Fakten Ihre Agenten heute antworten, welche davon veraltet oder unbelegt sind, wer freigibt, was sie schreiben, und die Änderungen in Reihenfolge. Ein Dokument für Security und Einkauf.
- 3Phasenweiser Aufbau auf Ihrem TenantErste Quelle in den temporalen Wissensgraphen, erste Tür (Chat oder MCP), erste Freigabekarte. Phasen werden einzeln abgenommen und nach Stunden abgerechnet.
- 4BetreibenÜbernahme-Protokoll und Lücken-Telemetrie pro Quelle, Snapshots vor jeder Migration und die Freigabeklassen, die zur Nachkontrolle wechseln dürfen, sobald der Trail zeigt, dass sie sauber sind.
Tiefer einsteigen
Häufige Fragen
Was macht ein Knowledge-Graph-Berater für KI-Agenten?
Er legt fest, was ein Agent wissen darf und wie dieses Wissen aktuell bleibt. Konkret: welche Quellen in den Graphen fließen, welche Entitäten und Beziehungen er hält, wie ein neuer Fakt einen alten schließt, wer was lesen darf und welche Schreibzugriffe eine Person brauchen. Danach baue ich es auf Ihrem Tenant und übergebe den Betrieb.
Ist ein Wissensgraph besser als RAG?
Für Fakten, die sich ändern, ja. Vektorbasiertes RAG liefert Passagen, die der Frage ähneln, und kann nicht sagen, welche von zwei widersprüchlichen Passagen aktuell ist. Ein temporaler Wissensgraph hält jeden Fakt mit Gültigkeitszeitraum und Quelle, sodass der Agent den Fakt bekommt, der heute gilt. Für statische Referenztexte bleibt einfache Suche die schlankere Wahl, und beides lässt sich gut kombinieren.
Arbeiten Sie für Zep?
Nein. Graphiti ist das quelloffene Framework von Zep unter der Apache-2.0-Lizenz. Ich baue darauf auf und pflege Graphiti Local, ein unabhängiges Community-Projekt, das in keiner Verbindung zu Zep steht. Zep Cloud ist der verwaltete Dienst des Herstellers; diese Arbeit ist für Teams, die den Graphen im eigenen Tenant betreiben.
Welche Graphdatenbank setzen Sie ein?
FalkorDB oder Neo4j, in Ihrem Tenant. FalkorDB ist schnell und gibt jedem Mandanten einen eigenen benannten Graphen; die Lizenz ist die SSPL, die manche Einkaufsrichtlinien ausschließen. Neo4j ist das Standard-Backend von Graphiti; Clustering und rollenbasierte Rechte brauchen die Enterprise Edition. Für eine Person oder einen Laptop genügt eine eingebettete LadybugDB-Datei über Graphiti Local.
Wohin gehen die Daten, und wo läuft die Inferenz?
Rechenleistung, Speicher und der Graph bleiben in Ihrem Cloud-Tenant. Auf Azure sind die Modelle GPT-5.6 von OpenAI in Azure AI Foundry, bereitgestellt als Data Zone Standard in der EU, sodass Prompts und Antworten nur innerhalb der EU-Datenzone verarbeitet werden. Selbst gehostete Modelle sind die Option, wenn nichts Ihr Netz verlassen darf. Das Review-Dokument hält das pro Modell fest, weil Ihre Sicherheitsprüfung danach fragt.
Was kostet das?
Das Architekturgespräch ist kostenfrei. Das Schreibpfad-Review hat einen festen Stundenumfang, im Gespräch genannt, und ist das erste Ergebnis. Der Aufbau wird nach Stunden abgerechnet, Phase für Phase, mit einer Stundenschätzung vor jeder Phase und Phasen, die Sie einzeln abnehmen.