Knowledge-Graph-Werkzeuge - Graphen aus vielen Quellen

Dies sind unsere eigenen Forschungswerkzeuge — wir entwickeln sie selbst und nutzen sie in der täglichen Arbeit. Sie sind weder ein Kundenauftrag noch ein Standardprodukt: Sie sind eine Werkstatt, die entstand, weil wir sie selbst brauchten und die heute unsere RAG-Arbeit unterstützt.

Was es ist

Ein Werkzeugsatz, der aus einem Dateiverzeichnis einen durchsuchbaren Wissensgraphen macht — mit Begriffen als Knoten und Beziehungen als Kanten.

• Unterstützte Quellen: Code, Dokumente, Artikel, Notizen, Screenshots, Aufnahmen und angegebene Webseitenadressen.
• Community Detection gruppiert Knoten in Themencluster — sie zeigt, was wirklich miteinander verbunden ist, auch zwischen Dateien, in denen niemand danach suchen würde.
• Audit jeder Beziehung. Eine Kante ist als in der Quelle gefunden, abgeleitet oder unsicher markiert, jeweils mit einer Vertrauensbewertung. Du siehst, was der Graph gefunden und was er ergänzt hat.
• Drei Ausgabeformen: ein interaktiver Graph zum Erkunden, RAG-fertiges JSON und ein Textbericht für Menschen.
• Der Graph ist dauerhaft — er liegt in einer Datei und überlebt die Sitzung. Fragen lassen sich deshalb eine Woche später stellen, ohne alles neu zu lesen.
• Graph-Abfragen: Tiefen- oder Breitensuche, der kürzeste Pfad zwischen zwei Begriffen und die Erklärung eines einzelnen Knotens in einfacher Sprache.

Welches Problem es löst

• „Das Wissen steckt in Köpfen und fünfzig Ordnern.“ Eine Stichwortsuche findet eine Datei. Der Graph zeigt, wie diese Datei mit den übrigen verbunden ist.
• Einstieg in unbekannten Code. Bevor du etwas änderst, möchtest du wissen, was wovon abhängt. Der Abhängigkeitsgraph antwortet schneller als eine Woche Lektüre.
• Ein Modell, das Dinge erfindet. Die Trennung von „in der Quelle gefunden“ und „als Schlussfolgerung ergänzt“ ist dieselbe Disziplin wie in RAG-Systemen — eine Antwort braucht eine Quelle.
• Inhaltsplanung und Informationsarchitektur. Cluster zeigen natürliche Leitthemen und Stellen, an denen sich Materialien gegenseitig kannibalisieren. Wir nutzen das bei der Materialanalyse in unserem Prozess.

Wie wir es gebaut haben

Das Werkzeug ist in Python geschrieben und arbeitet mit zwei Extraktionsmodi. Bei Code leiten wir Beziehungen aus dem Syntaxbaum ab — ohne Sprachmodell, daher günstig, schnell und deterministisch. Bei Dokumenten, Bildern und Notizen übernimmt ein Modell (Claude) die Extraktion; Aufnahmen werden zuvor mit Whisper transkribiert.

Wir halten den Graphen in networkx: Knoten, gewichtete Kanten und Hyperkanten für Beziehungen mit mehr als zwei Begriffen. Darauf berechnen wir Community Detection und Zentralitätsmaße, die Hub-Knoten zeigen — Begriffe mit zu vielen Verbindungen, die meist aufgeteilt werden sollten.

Die Aktualisierung erfolgt inkrementell: Ein Hook nach dem Commit berechnet nur geänderte Dateien neu; zusätzlich gibt es einen Ordnerüberwachungsmodus. Exporte: JSON, GraphML, SVG und Cypher für Neo4j. Der Graph kann außerdem als MCP-Server für einen Agenten bereitgestellt werden — dann errät der Assistent die Architektur nicht, sondern liest sie aus.

Im Werkzeug fest verankerte Regel: Eine abgeleitete Beziehung darf nicht als Fakt dargestellt werden. Wenn eine Quelle nicht eindeutig ist, bleibt die Kante als unsicher markiert — sie wird weder gelöscht noch zum Fakt befördert.

Was es belegt

Dass wir fremdes Wissen in eine Struktur ordnen können, auf der sich KI-Antworten stützen lassen — mit einer klaren Trennung zwischen Fakt und Schlussfolgerung. Das ist ein Beleg für die Leistung Second Brain für Unternehmen, also RAG und Wissensgraphen auf Kundendaten.

Der MCP-Server und Graph-Abfragen sind zugleich eine Grundlage für Multi-Agenten-Systeme: Dann hat ein Agent Zugriff auf eine explizite Abhängigkeitsstruktur und muss sich nicht allein auf einen einzelnen Textausschnitt stützen.