Derzeit kann jeder ein KI-System bauen, das komplexe Fragen mit 18 % höherer Genauigkeit und 85 % niedrigeren Kosten beantwortet als herkömmliches RAG. Kein Doktortitel nötig. Kein Millionenbudget. Kein Forscherteam.
Das Einzige, was zwischen Ihnen und diesem Ergebnis steht, ist ein Konzept, das Microsoft, Stanford und Anthropic alle unabhängig voneinander entdeckt haben – und das die meisten Entwickler noch immer nicht verstanden haben.
Herkömmliches RAG findet Text. Graph Engineering findet Beziehungen. Hier ist das vollständige System dahinter.
Lesezeichen setzen und folgen Sie mir
- Ich bin Sprytix, ein Entwickler, der KI-Systeme und Automatisierungspipelines baut, die Technologie in echtes Einkommen verwandeln. DMs sind offen.
Warum herkömmliches RAG an seine Grenzen stößt
Herkömmliches RAG funktioniert so:
1Frage2↓3Dokumente nach passendem Text durchsuchen4↓5Relevanteste Textabschnitte zurückgeben6↓7Modell generiert Antwort aus den Abschnitten
Das funktioniert gut für einfache Fragen. Bei komplexen Fragen versagt es komplett.
Fragen Sie: "Warum sind unsere Produktverkäufe im März eingebrochen?" und RAG findet Dokumente mit den Wörtern "Verkäufe" und "März". Es findet Fragmente. Es findet nicht die Kausalkette.
1RAG-Antwort:2Hier sind 5 Dokumente, die Verkäufe im März erwähnen.34Graph Engineering-Antwort:5Die Verkäufe sind gesunken wegen einer Veröffentlichungsverzögerung,6verursacht durch eine Lieferantenabhängigkeit,7ausgelöst durch ein Lagerproblem,8was zu negativen Bewertungen führte,9was die Conversion um 23 % senkte.
Gleiches Modell. Gleiche Daten. Völlig unterschiedliches Ergebnis – weil ein System nach Text sucht und das andere nach der Realität.
Das ist es, was Microsoft, Stanford und Anthropic alle unabhängig voneinander entdeckt haben. Und deshalb sind alle drei zu Graph Engineering übergegangen.
Dokument 1 – Microsoft GraphRAG
Microsoft hat GraphRAG entwickelt und als Open Source veröffentlicht. Die Ergebnisse ihrer Forschung sind die konkretesten Zahlen, die es dazu gibt, was Graph Engineering im Vergleich zu herkömmlichem RAG tatsächlich bringt.
Die Architektur wandelt unstrukturierten Text in einen vollständigen Wissensgraphen um:
1Dokumente laden2↓3Dokumente in Abschnitte aufteilen4↓5Entitäten und Beziehungen extrahieren6↓7Graph erstellen8↓9Communities erkennen10↓11Community-Berichte generieren12↓13Entitäten und Berichte einbetten14↓15Lokale Suche / Globale Suche
Die zentrale Erkenntnis, die Microsoft dokumentiert hat: Herkömmliches RAG beantwortet lokale Fragen gut – finde mir Informationen über diese spezifische Entität. Es versagt bei globalen Fragen – was sind die Hauptthemen in diesem gesamten Datensatz, welche Muster verbinden diese 10.000 Dokumente.
Graph Engineering beantwortet beides.
1Lokale Suche | Was ist mit Lieferant X im März passiert?2 | Findet spezifischen Knoten und seine Verbindungen34Globale Suche | Was sind die Hauptrisikomuster in5 | allen unseren Lieferantenbeziehungen?6 | Findet Muster über den gesamten Graphen hinweg
Praktische Ergebnisse aus Microsofts GraphRAG-Forschung:
1Genauigkeitsverbesserung | 18 % höher als reiner Dokumentenansatz2Token-Kostenreduktion | 85 % niedriger als direktes Laden strukturierter Dateien3Kosten pro Aufgabe | ca. 0,004 $ in der getesteten Konfiguration
Diese Zahlen stammen aus dem ChatP&ID-Papier – GraphRAG angewendet auf technische Industriediagramme. Die gleichen Prinzipien gelten bereichsübergreifend.
Dokument 2 – Stanford DSPy und die Graph-Verbindung
Stanfords DSPy-Papier hat festgestellt, dass das Modell ein Knoten in einem Graphen ist – nicht das Zentrum des Universums. Dies ist die theoretische Grundlage, die direkt zu Graph Engineering führt.
DSPy behandelt die KI-Pipeline als einen Graphen von Modulen:
1Frage2↓3Abrufer - findet relevante Informationen4↓5Schlussfolgerung - verarbeitet und verbindet6↓7Verifizierer - prüft das Ergebnis8↓9Antwort
Die Verbindung zu Graph Engineering ist direkt: DSPy optimiert den Pipeline-Graphen, GraphRAG optimiert den Wissensgraphen. Beide behandeln das Modell als eine Komponente in einer größeren Struktur und nicht als die gesamte Lösung.
Stanfords STORM-Papier geht noch weiter:
STORM baut Wissen von Grund auf durch einen strukturierten Graphen von Forschungsschritten auf, bevor ein einziges Wort geschrieben wird. Recherche, Quellensammlung, Gliederung, Schreiben, Verifizierung, Überarbeitung – jeder Schritt wird durch die im vorherigen Schritt entdeckten Beziehungen informiert.
Die gemeinsame Erkenntnis aller Stanford-Forschung: Komplexe Aufgaben brauchen ein System aus verbundenen Schritten, nicht einen einzigen Modellaufruf. Der Graph ist das System.
Dokument 3 – Stanfords Skalierungsgesetze für Wissensgraphen
Dieses Papier verglich 26 Open-Source-Modelle bei Aufgaben des Knowledge Graph Engineering. Die Schlussfolgerung ist eine der wichtigsten auf diesem Gebiet:
1Größeres Modell + schlechter Graph | schlechtere Ergebnisse2Kleineres Modell + guter Graph | bessere Ergebnisse
Der richtige Graph schlägt das größere Modell. Jedes Mal.
Dies ist die gleiche Schlussfolgerung, die Microsoft mit GraphRAG und Anthropic mit Claude Code erreicht hat – das System um das Modell herum bestimmt die Ausgabe mehr als das Modell selbst. Graph Engineering ist die konkreteste Umsetzung dieses Prinzips.
Dokument 4 – MIT Press Forschung zu relationalem Gedächtnis
direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476
Veröffentlicht in Transactions of the Association for Computational Linguistics.
Die Forschung zeigt, was passiert, wenn man ein Sprachmodell mit relationalem Gedächtnis verbindet – einem Wissensgraphen von Beziehungen und nicht nur Textblöcken.
1Textkontext2↓3Relevante Beziehungen aus dem Graphen abrufen4↓5Relationales Gedächtnis6↓7Sprachmodell8↓9Kohärentere, genauere Generierung
Die wichtigste Erkenntnis: Modelle mit Zugang zu expliziten Beziehungsstrukturen produzieren kohärenteren Text und machen weniger logische Fehler als Modelle, die nur mit Text arbeiten.
Dies ist die wissenschaftliche Erklärung, warum Graph Engineering funktioniert. Das Modell muss Beziehungen nicht aus Text ableiten. Die Beziehungen sind im Graphen explizit. Das Modell verwendet sie direkt.
Dokument 5 – KEPLER
KEPLER kombiniert Sprachmodell-Training mit Knowledge Graph Embeddings. Anstatt Sprachverständnis und Faktenwissen als getrennte Probleme zu behandeln – optimiert KEPLER beide gleichzeitig.
1Sprachmodell2+3Wissenseinbettungen4+5Wissensgraph6=7Modell, das sowohl Sprache als auch Fakten versteht
Die praktische Implikation: Ein Modell, das Zugang zu einem richtig strukturierten Wissensgraphen hat, muss nicht über Beziehungen zwischen Entitäten raten. Es schlägt sie nach. Der Genauigkeitsunterschied bei faktischen Fragen ist signifikant.
Dokument 6 – Anthropic und Claude im Graphen
- www.anthropic.com/customers/graph
- github.com/anthropics/anthropic-cookbook
- github.com/modelcontextprotocol
Anthropic hat kein Produkt namens "Graph Engineering". Was sie haben, sind drei Ebenen, auf denen Claude direkt in die Graph-Architektur integriert ist.
Ebene 1 – Claude extrahiert den Graphen aus Text
1Dokumente2↓3Claude extrahiert Entitäten und Beziehungen4↓5JSON-Tripel:6{7 "subject": "Anthropic",8 "relation": "created",9 "object": "Claude"10}11↓12Wissensgraph
Claude übernimmt Entitätsextraktion, Beziehungsextraktion, Deduplizierung, Normalisierung und Ontologie-Entwurf. Die Aufgaben, die früher spezialisierte NLP-Pipelines erforderten, laufen jetzt über einen einzigen API-Aufruf.
Ebene 2 – Claude fragt den Graphen ab
1Benutzerfrage2↓3Claude4↓5Cypher / SPARQL-Abfrage6↓7Wissensgraph8↓9Ergebnis10↓11Claude Erklärung in einfacher Sprache
Claude übersetzt natürliche Sprache in Graph-Abfragen, führt sie gegen Neo4j oder eine beliebige Graphdatenbank aus und erklärt die Ergebnisse. Keine Kenntnisse einer Abfragesprache vom Benutzer erforderlich.
Ebene 3 – MCP verbindet Claude mit dem Graphen
github.com/modelcontextprotocol
1Claude2↓3MCP-Protokoll4↓5Graphdatenbank6↓7Entitäten + Beziehungen8↓9Claude mit vollständigem Graph-Kontext
MCP ist die Transportschicht, die Claude dauerhaften Zugriff auf jeden Wissensgraphen gibt, ohne die Verbindung für jede Sitzung neu aufbauen zu müssen.
Der LaunchNotes-Fall – echte Produktionszahlen
www.anthropic.com/customers/graph
LaunchNotes hat ein Produkt namens Graph entwickelt, das GitHub, Jira und Linear verbindet. Claude analysiert die Beziehungen zwischen der Entwicklungsarbeit in allen drei Systemen.
1GitHub-Commits2+3Jira-Tickets4+5Linear-Aufgaben6↓7Graph der Entwicklungsarbeit8↓9Claude10↓11Vorfallerkennung + Projekteinblicke
Ergebnisse aus der Anthropic-Fallstudie:
1Vorfallerkennung | bis zu 5x schneller2Besprechungszeit | ca. 50 % Reduzierung3Release-Notes | automatisch in Sekunden generiert
Diese Zahlen stammen aus der Verbindung strukturierter Beziehungsdaten – nicht nur aus der Suche in Dokumenten.
Was ein Wissensgraph eigentlich ist
Bevor man einen baut – das grundlegende Konzept.
Ein Wissensgraph speichert Informationen als Tripel:
1Subjekt → Beziehung → Objekt
Beispiele:
1Anthropic → erstellte → Claude2Claude → unterstützt → MCP3MCP → verbindet → externe Werkzeuge4Microsoft → baute → GraphRAG5GraphRAG → reduziert Token-Kosten um → 85 %
Jede Information ist eine explizite Beziehung zwischen zwei Entitäten. Kein Textabsatz, der diese Information möglicherweise enthält – eine explizite, strukturierte, abfragbare Tatsache.
1Normale Datenbank:2Tabelle der Unternehmen3Tabelle der Produkte4Keine expliziten Beziehungen zwischen ihnen56Wissensgraph:7Unternehmen → erstellte → Produkt8Produkt → konkurriert mit → Anderes Produkt9Anderes Produkt → gehört → Anderem Unternehmen10Unternehmen → investierte in → Anderes Unternehmen
Der Graph speichert nicht nur Fakten. Er speichert, wie Fakten miteinander verbunden sind. Das ist es, was komplexes Denken ermöglicht.
Die vollständige Graph Engineering-Pipeline
1Schritt 1 | Rohdokumente sammeln2 | PDFs, E-Mails, Berichte, Datenbankexporte34Schritt 2 | Entitäten extrahieren5 | Personen, Unternehmen, Produkte, Ereignisse, Konzepte67Schritt 3 | Beziehungen extrahieren8 | wer hat wem was getan, wann, warum, wie910Schritt 4 | Schema erstellen11 | Entitätstypen und Beziehungstypen definieren1213Schritt 5 | Deduplizieren und normalisieren14 | "Microsoft Corp" und "MSFT" sind dieselbe Entität1516Schritt 6 | In Graphdatenbank speichern17 | Neo4j, Amazon Neptune, PostgreSQL mit Graph-Erweiterung1819Schritt 7 | Abrufschicht bauen20 | lokale Suche nach bestimmten Entitäten21 | globale Suche nach Mustern über den gesamten Graphen2223Schritt 8 | Modell verbinden24 | Claude fragt Graphen über MCP oder direkte API ab2526Schritt 9 | Kontinuierlich aktualisieren27 | neue Dokumente erweitern den Graphen28 | Widersprüche werden zur Überprüfung markiert
Das Papier "LLM-assisted Knowledge Graph Engineering" unter arxiv.org/abs/2307.06917 bewertet, wie gut Sprachmodelle mit jedem dieser Schritte umgehen. Das ehrliche Ergebnis: LLMs sind hervorragende Assistenten für Extraktion und Normalisierung, aber die Zero-Shot-Graphengenerierung ist für die Produktion ohne menschliche Überprüfung der Schema- und Deduplizierungsschritte noch nicht zuverlässig genug.
Die fünf Prompts, die die gesamte Pipeline steuern
Graph Engineering eliminiert keine Prompts. Es verwendet sie in jeder spezifischen Phase der Graph-Pipeline.
Prompt 1 – Extraktion
1Extrahiere alle Organisationen, Personen, Produkte und Ereignisse.23Gib für jede Entität zurück:4- kanonischer_Name5- Typ6- Beschreibung7- Quelle89Gib für jede Beziehung zurück:10- Quell_Entität11- Beziehungs_Typ12- Ziel_Entität13- Beweis14- Konfidenz_Score
Prompt 2 – Normalisierung
1Vergleiche die folgenden Entitäten.2Bestimme, ob sie sich beziehen auf:3- dieselbe Entität4- verwandte, aber unterschiedliche Entitäten5- nicht verwandte Entitäten67Gib den kanonischen Namen und eine Erklärung zurück.8Führe keine Entitäten ohne klare Beweise zusammen.
Prompt 3 – Graph-Abfrage
1Übersetze die Benutzerfrage in eine Cypher-Abfrage.2Verwende nur Beziehungen, die im Schema vorhanden sind.3Erfinde keine Labels oder Eigenschaften.4Gib die Abfrage und eine kurze Erklärung der Logik zurück.
Prompt 4 – Fundierte Antwort
1Antworte nur unter Verwendung der abgerufenen Graph-Pfade.2Für jede Schlussfolgerung:3- identifiziere die unterstützenden Knoten4- identifiziere den Beziehungspfad5- gib Unsicherheit klar an6- leite keine Kausalität aus Korrelation ab
Prompt 5 – Graph-Wartung
1Vergleiche neue Fakten mit dem bestehenden Graphen.2Klassifiziere jeden Fakt als:3- neu4- Duplikat5- Widerspruch6- Aktualisierung7- unsicher89Überschreibe keine bestehenden Fakten ohne Beweise.
Wie die Microsoft GraphRAG-Dokumentation zeigt – Prompts handhaben Extraktion, Beziehungsidentifikation, Zusammenfassung und Community-Berichtsgenerierung intern. Prompt Engineering ist der Mechanismus innerhalb des Graph Engineering, nicht sein Konkurrent.
Fünf Unternehmen, die Sie auf einem Wissensgraphen aufbauen können
1 – Due-Diligence-Plattform
1Unternehmensberichte + Gründer + Investoren2+ Rechtsfälle + Tochtergesellschaften + Transaktionen3↓4Wissensgraph5↓6Claude7↓8Risikoanalyse + versteckte Verbindungen + Interessenkonflikterkennung
Kunden: Investmentfonds, Anwaltskanzleien, Banken, M&A-Berater. Monatliches Honorar 2.000–10.000 $ pro Kunde.
2 – Vertriebsinformationen
1Kontakte + Unternehmen + Rollen2+ vorherige E-Mails + Firmenprobleme + Produkt3↓4Wissensgraph5↓6Wer beeinflusst die Entscheidung7Welche Einwände wiederholen sich8Welche Fallstudie soll diesem spezifischen Kunden gezeigt werden9Wo der Deal blockiert ist
3 – Engineering Intelligence
1GitHub-Commits + Jira-Tickets + Linear-Aufgaben2↓3Graph der Entwicklungsarbeit4↓55x schnellere Vorfallerkennung650 % weniger Besprechungszeit7Automatische Release-Notes
LaunchNotes verkauft dies bereits. Der Markt ist jedes Entwicklungsteam, das mehr als ein Projektmanagement-Tool verwendet.
4 – Forschungsintelligenz
1Papiere + Autoren + Institutionen2+ Methoden + Datensätze + Ergebnisse + Widersprüche3↓4Wissensgraph5↓6Welche GraphRAG-Methoden verwenden Community-Erkennung7Auf welchen Datensätzen sie getestet wurden8Welche Papiere einander widersprechen
5 – Persönliches Wissens-OS
1Obsidian-Notizen + E-Mails + Kalender2+ PDFs + Kontakte + Aufgaben3↓4Persönlicher Wissensgraph5↓6Mit wem habe ich diese Idee besprochen7Welche Aufgaben hängen von der Antwort einer Person ab8Welche Entscheidungen widersprechen früheren Vereinbarungen9Was habe ich versprochen, diesen Monat zu tun
Der Wandel, der Microsoft, Stanford und Anthropic verbindet
1Prompt Engineering | wie man die richtige Frage stellt2RAG | welches Dokument zu finden ist3Graph Engineering | welche Entitäten existieren4 | wie sie verbunden sind5 | welcher Pfad zur Antwort führt6 | was sich ändert, wenn sich ein Knoten ändert
LLM kennt Wörter. Wissensgraph kennt Beziehungen. Die leistungsfähigsten KI-Systeme entstehen, wenn beide zusammenarbeiten.
Microsoft hat dies in der Produktion mit GraphRAG bewiesen – 18 % bessere Genauigkeit, 85 % niedrigere Kosten. Stanford hat es in der Forschung mit DSPy, STORM und dem Papier zu Skalierungsgesetzen bewiesen. Anthropic hat es im LaunchNotes-Fall bewiesen – 5x schnellere Vorfallerkennung, 50 % weniger Besprechungszeit.
Drei Organisationen. Drei unabhängige Wege. Eine Schlussfolgerung.
Das Modell findet Text. Der Graph findet die Realität. Baue den Graphen.
Die meisten Entwickler werden weiterhin ihre Prompts verbessern und sich wundern, warum komplexe Fragen immer noch schlechte Antworten liefern. Einige wenige werden ein Wochenende damit verbringen, ihren ersten Wissensgraphen zu bauen und nie wieder zur Dokumentsuche zurückkehren.
/ Falls das nützlich war – folgen Sie mir, die nächste Veröffentlichung kommt zuerst hier.
