Du musst nicht alles wissen. Du musst im richtigen Moment das Richtige wissen. Was wie eine Lebensweisheit klingt, ist inzwischen ein technisches Prinzip — und der rote Faden, an dem sich entscheidet, ob ein KI-System vertrauenswürdig ist oder nur überzeugend klingt.
In Teil 1 und 2 dieser Serie haben wir zwei Werkzeuge gebaut: RAG, das aus einem Archiv den passenden Ausschnitt vorlegt und für Einzelfakten stark ist — und den Knowledge Graph, der in realen Dingen und benannten Beziehungen denkt und damit Verbindungsfragen beantwortet. Zwei Werkzeuge, zwei Stärken. Dieser letzte Teil führt sie zusammen.
.png)
Keiner der beiden Ansätze gewinnt auf ganzer Linie. Die naheliegende Frage lautet: Warum nicht beides? Genau das ist GraphRAG — kein drittes, komplett neues Werkzeug, sondern die Verheiratung der ersten beiden. Kommt eine Frage rein, prüft das System, welche Art Frage das ist: Ein Einzelfakt läuft über die schnelle Ähnlichkeitssuche, eine Verbindungsfrage übernimmt der Graph. „Zu welchen Konditionen haben wir Meyer beliefert?" — ein Dokument, fertig. „Was verbindet Meyer mit unserem Partner Schulz?" — dieselbe Frontstelle, aber jetzt folgt der Graph den Beziehungen und liefert die Antwort, die in keinem einzelnen Dokument steht. Das Entscheidende: Du musst dich nicht mehr entscheiden.
Ein normaler Graph merkt sich nur den aktuellen Stand — und überschreibt die alte Beziehung mit der neuen. Ein Agent-Memory-System (Werkzeuge wie Graphiti oder Zep) gibt jedem Fakt stattdessen einen Zeitraum: gültig von, gültig bis. Thomas Berger war Vertriebsleiter bis 2023, seitdem Geschäftsführer. Fragst du „wer war letztes Jahr Ansprechpartner", bekommst du die Antwort, die damals stimmte — nicht die aktuelle, rückwirkend verpasst. Für den Einstieg ist das kein Muss; es lohnt sich, sobald sich bei dir regelmäßig Dinge mit Konsequenzen ändern (Preise, Zuständigkeiten, Vertragsstände).
Die verbreitete Annahme lautet: mehr Information = bessere Antwort. In der Praxis ist das Gegenteil belegbar. Ein kleinerer, genauer passender Ausschnitt schlägt regelmäßig den vollgepackten Kontext — oft reicht ein Viertel, und die Antwort wird besser, nicht schlechter. Der Grund ist der „Lost in the Middle"-Effekt: Was am Anfang und Ende steht, wird stark gewichtet; was mittendrin liegt, verwässert — selbst wenn genau da die Antwort steht. Der Abruf aus Teil 2 bekommt damit eine zweite Aufgabe: nicht nur finden, sondern auch auswählen und kürzen. Die richtige Frage an einen Anbieter ist deshalb nicht „auf wie viel Wissen hat euer System Zugriff", sondern „wie entscheidet es, was es davon benutzt".
Dein Firmenwissen — freigegebene Dokumente, Verträge, die aktuelle Preisliste, echte Prozesse — ist die Wahrheit. Die Chunks, Embeddings, der Graph, das Agent-Memory sind die abgeleitete kluge Schicht darüber. Dasselbe Muster wie Webseite und Google-Index: Die Seite ist die Wahrheit, der Index eine durchsuchbare Ableitung, die auf sie zurückverweist — ändert sich die Seite, muss der Index nachziehen, nicht umgekehrt. Warum „Ehe"? Weil jede Seite versagt, wenn sie die Aufgabe der anderen übernimmt: Die Wahrheit ist das Lektorat (was gilt, was ist korrekt), die kluge Schicht ist Bibliothek und Bibliothekar (finden, verbinden, einordnen). Der häufigste stille Fehler: Die Wahrheit ändert sich, die Schicht zieht nicht nach — und das System antwortet weiter flüssig, nur mit dem alten Stand. Die eigentliche Betriebsfrage ist deshalb: Wie schnell zieht unsere kluge Schicht nach, wenn sich die Wahrheit bewegt?
Der Tisch einer KI ist klein — deshalb legst du ihr aus einem Archiv den passenden Ausschnitt vor, gefunden über Bedeutung, Schlagwort oder Verbindung. RAG holt ihn zuverlässig für Einzelfakten, ein echter Knowledge Graph für Verbindungen. GraphRAG mit Context Engineering führt beides zusammen — nicht mit mehr Wissen, sondern mit dem richtigen Ausschnitt zur richtigen Zeit und einer klugen Schicht, die immer auf die Wahrheit zurückverweist, aus der sie stammt.
📺 Lieber als Video? Hier ansehen:
