Unternehmen ertrinken in Daten – aber KI-Systeme können sie kaum strukturiert nutzen. Ein neuer Architekturansatz namens „Context Bridge” verbindet Knowledge Graphs mit agentenbasierter Informationssuche und verspricht, Enterprise-Wissensmanagement grundlegend zu verändern.
Knowledge Graphs und Agentic RAG: Neue Architektur für Enterprise-Wissensmanagement
Unternehmen kämpfen seit Jahren mit demselben Problem: Wissen ist zwar vorhanden, aber über Dokumente, Datenbanken und Systeme verteilt – und für KI-Systeme kaum strukturiert nutzbar. Ein aktuell diskutierter Implementierungsansatz namens „Context Bridge” kombiniert Knowledge Graphs mit sogenanntem Agentic Retrieval-Augmented Generation (RAG), um diese Lücke zu schließen.
Das Grundproblem klassischer RAG-Systeme
Herkömmliche RAG-Systeme funktionieren nach einem einfachen Prinzip: Eine Anfrage wird in einen Vektor umgewandelt, ähnliche Textpassagen werden aus einer Datenbank abgerufen, und ein Large Language Model generiert auf dieser Basis eine Antwort. Das Verfahren stößt jedoch schnell an Grenzen, sobald Zusammenhänge zwischen Informationen entscheidend sind.
Wer wissen will, wie Produkt A mit Lieferant B, Vertrag C und Compliance-Anforderung D zusammenhängt, bekommt mit klassischem RAG fragmentierte Antworten – weil die strukturellen Beziehungen zwischen Datenpunkten fehlen.
Knowledge Graphs als relationales Rückgrat
Knowledge Graphs adressieren genau diese Schwäche. Statt Texte als isolierte Einheiten zu speichern, modellieren sie Entitäten und deren Beziehungen als Knoten und Kanten in einem Graphen. Eine Suchanfrage kann so nicht nur relevante Dokumente finden, sondern entlang von Beziehungspfaden traversieren – etwa von einem Mitarbeiter über seine Abteilung zu laufenden Projekten und zugehörigen Budgetdaten.
Der „Context Bridge”-Ansatz nutzt dieses relationale Rückgrat als Grundlage für ein hybrides System: Semantische Vektorsuche und strukturierte Graph-Traversal werden kombiniert, sodass sowohl inhaltliche Ähnlichkeit als auch explizite Beziehungen bei der Informationssuche berücksichtigt werden.
Agentic RAG: Das System entscheidet selbst
Der entscheidende Unterschied zu statischen RAG-Implementierungen liegt im agentischen Charakter der Architektur. Über OpenAI Function Calling erhält das Sprachmodell Werkzeuge an die Hand – konkret definierte Funktionen, die es bei Bedarf selbstständig aufrufen kann:
- Vektorsuche im Dokumentenbestand
- Graph-Abfrage für strukturierte Entitäten
- Hybrid-Suche als kombiniertes Verfahren
Das Modell entscheidet dabei eigenständig, welches Werkzeug für eine gegebene Anfrage geeignet ist:
„Welche Projekte laufen aktuell in der Beschaffungsabteilung und wer ist verantwortlich?” → löst automatisch eine Graph-Traversal aus. Eine inhaltliche Frage zu Vertragsklauseln → löst eine semantische Dokumentensuche aus.
Dieses automatische Routing geschieht ohne manuelle Konfiguration pro Anfrage.
Technische Bausteine der Implementierung
Die Referenzimplementierung setzt auf ein Python-basiertes Backend. Der Knowledge Graph wird als In-Memory-Struktur mit Knoten-Typen wie Person, Project, Department oder Document aufgebaut. Jeder Knoten erhält zusätzlich ein Vektor-Embedding, sodass sowohl Graph-Queries als auch semantische Ähnlichkeitssuchen auf derselben Datenbasis operieren.
Die Verbindung zum Sprachmodell erfolgt über die OpenAI-API mit strukturierten Tool-Definitionen. Das Modell erhält eine Systembeschreibung seiner verfügbaren Werkzeuge und entscheidet im Verlauf eines mehrstufigen Reasoning-Prozesses, ob und welche Funktionen aufgerufen werden sollen. Die Ergebnisse fließen zurück in den Kontext, bevor die finale Antwort generiert wird.
Einordnung für deutsche Unternehmen
Für mittelständische und große Unternehmen in Deutschland ist dieser Architekturansatz aus mehreren Gründen relevant:
- Komplexe Strukturen abbildbar – Die Graph-Struktur ermöglicht eine sauberere Abbildung gewachsener Unternehmensorganisationen.
- DSGVO-konform betreibbar – Anders als rein cloud-basierte Lösungen lässt sich das System prinzipiell auch on-premise oder in souveränen Cloud-Umgebungen einsetzen.
- Reduzierter Konfigurationsaufwand – Der agentenbasierte Ansatz übernimmt das Routing zwischen Suchwegen, ohne dass Entwickler für jede Anwendungsfall-Kategorie separate Pipelines pflegen müssen.
Die praktische Herausforderung liegt jedoch in der initialen Strukturierung des Unternehmenswissens. Wer einen Knowledge Graph aufbauen will, muss Entitäten und Beziehungen zunächst definieren und befüllen – ein Prozess, der erhebliche Vorarbeit erfordert.
Unternehmen, die diesen Schritt systematisch angehen, dürften mittelfristig jedoch belastbarere und kontextsensitivere KI-Anwendungen erhalten als mit rein dokumentenbasiertem RAG.
Quelle: MarkTechPost
