Ein Support-Chatbot versteht dein Problem und schlägt eine Lösung vor. Am nächsten Tag schreibst du wieder – und er hat alles vergessen. Du musst von vorne anfangen. Context Graphs beheben genau das.
Ein Context Graph ist ein persistentes Gedächtnis für KI-Agenten. Er verbindet langfristiges Unternehmenswissen mit dem aktuellen Gespräch und den Entscheidungen des Agents. So kann er sich an frühere Interaktionen erinnern, konsistent antworten und Entscheidungen nachvollziehbar machen. Ohne ein solches Gedächtnis bleibt der Agent auf den Moment beschränkt – er kann nicht lernen, nicht erklären, nicht über mehrere Sitzungen zuverlässig arbeiten.
Warum KI-Agenten ein Gedächtnis brauchen
Ein KI-Agent nutzt ein Sprachmodell zum Denken, Tools zum Handeln und eine Schleife, um Aufgaben zu erledigen. Er plant Schritte, ruft Funktionen auf, beobachtet Ergebnisse und iteriert, bis das Ziel erreicht ist. Doch selbst fortgeschrittene Modelle machen Fehler, wenn der Kontext fehlt. Ein Agent, der eine Rückerstattung genehmigt, muss wissen, welche Richtlinie gilt, was der Kunde bereits gesagt hat und wie ähnliche Fälle früher entschieden wurden. Diese Informationen liegen oft verstreut in Datenbanken, Logs und Prompts – aber nicht in einer gemeinsamen Struktur.
Ohne dauerhaftes Gedächtnis muss der Agent die Welt um die Aufgabe herum jedes Mal neu aufbauen. Das ist ineffizient und fehleranfällig. Ein Kundenservice-Agent könnte etwa die Rückgabefrist übersehen und eine längst abgelaufene Erstattung gewähren. Oder er vergisst, was der Kunde erklärt hat, und zwingt ihn zur Wiederholung. Beides ist inakzeptabel. Ein Context Graph löst das, indem er die drei Arten von Erinnerung – langfristig, kurzfristig und reasoning-basiert – in einem durchsuchbaren Netzwerk vereint.
Die drei Schichten des Context Graphs
Ein Context Graph speichert Wissen auf drei miteinander verbundenen Ebenen. Die erste ist das Langzeitgedächtnis. Es enthält das Unternehmenswissen, das der Agent vor der Konversation kennt: Produkte, Richtlinien, Kunden, Verträge, Systeme und Geschäftsregeln. Diese Fakten ändern sich langsam, sind aber entscheidend für richtige Entscheidungen. In einem Rückgabefall wird die Rückgaberichtlinie mit Produktkategorie, Kundentyp und Ausnahmeprozess verknüpft.
Die zweite Ebene ist das Kurzzeitgedächtnis. Es speichert den Verlauf der aktuellen Interaktion – Nachrichten, Zwischenstände, bereits ausgeführte Aktionen. Ohne diese Erinnerung würde der Agent den Kunden ständig wiederholen lassen oder den Überblick verlieren. In Multi-Agent-Systemen ist dieser gemeinsame Zustand besonders wichtig, denn mehrere Agenten müssen wissen, was schon passiert ist und was noch offen ist.
Die dritte Ebene ist das Reasoning-Gedächtnis. Es protokolliert, wie der Agent zu seiner Entscheidung kam: welche Tools er aufrief, welche Beweise er verwendete, warum er eine bestimmte Aktion wählte. Diese Spur macht das Verhalten überprüfbar und ermöglicht es, aus vergangenen Fällen zu lernen. Alle drei Ebenen sind in einem Graphen verbunden, sodass der Agent bei jeder Aufgabe den relevanten Kontext abrufen kann – sei es eine Richtlinie, eine Gesprächssequenz oder eine frühere Entscheidung.
Sieben Vorteile eines Context Graphs
Ein Context Graph bringt konkrete Vorteile für produktive KI-Workflows. Erstens führen gespeicherte Fakten und Beziehungen zu genaueren Antworten, weil der Agent auf gesicherte Informationen zurückgreift, statt zu raten. Zweitens hilft der Graph, die relevanten Informationen auszuwählen, anstatt das gesamte Wissen in den Prompt zu packen – das spart Kosten und verbessert die Präzision.
Drittens bleibt der Kontext über Prompts hinweg erhalten. Statt jede Sitzung neu zu konstruieren, greift der Agent auf frühere Zustände zurück. Viertens stärkt die Entscheidungsspur die Erklärbarkeit und Governance. Man kann zurückverfolgen, welche Fakten und Tools eine Entscheidung beeinflusst haben, und so Compliance-Anforderungen erfüllen. Fünftens unterstützt ein Context Graph langlaufende Workflows, die über mehrere Schritte, Toolaufrufe und Genehmigungen gehen – der Zustand bleibt erhalten.
Sechstens ermöglicht ein gemeinsamer Graph mehreren Agenten, denselben Wissensbestand zu nutzen und sich zu ergänzen. Jeder kann auf die aktuellen Fakten und den Verlauf zugreifen. Siebtens senkt die selektive Abfrage von Gedächtnisinhalten die Token-Kosten, weil nicht jede Nachricht den gesamten Verlauf und alle Dokumente enthält. Stattdessen werden nur die relevanten Teile in den Prompt geladen.
Context Graph vs. Knowledge Graph – wo liegt der Unterschied?
Oft werden die Begriffe verwechselt, aber sie bauen aufeinander auf. Ein einfacher Graph stellt Entitäten und Beziehungen dar – er beantwortet „Was ist verbunden?“. Ein Knowledge Graph fügt semantische Struktur und Geschäftsbedeutung hinzu – er erklärt, was die Verbindungen bedeuten. Ein Context Graph geht weiter: Er verbindet das Wissen mit der konkreten Aufgabe und dem aktuellen Kontext des Agents, einschließlich Gesprächsverlauf und Entscheidungslogik.
In einer Agent-Architektur entspricht ein Knowledge Graph dem Langzeitgedächtnis. Ein Context Graph überlagert diese Ebene mit den anderen beiden und ermöglicht es dem Agenten, Fakten, Gespräche und Entscheidungen zusammen zu sehen. So bekommt er ein vollständiges Bild der Situation – nicht nur isolierte Datenpunkte.
So baust du einen Context Graph mit Neo4j Agent Memory
Der einfachste Weg, einen Context Graph aufzubauen, ist die Nutzung von Neo4j Agent Memory. Diese Lösung verbindet die Bausteine des Agentengedächtnisses – Konversationen, Entitäten, Präferenzen, Fakten, Tool-Nutzung und Reasoning-Spuren – in einer Neo4j-Graphdatenbank. Dadurch wird das Gedächtnis durchsuchbar, statt es in Prompts, Logs und getrennten Speichern zu verstreuen.
Neo4j bietet mehrere Setup-Optionen: Du kannst den gehosteten Neo4j Agent Memory Service (NAMS) nutzen, eine verwaltete REST-API, die sich einfach in bestehende Anwendungen integrieren lässt. Alternativ gibt es lokale oder Cloud-basierte Neo4j-Instanzen, die du selbst konfigurierst. Beispiele und Demo-Anwendungen, etwa das Lenny’s Memory-Projekt, veranschaulichen die Architektur. So kannst du schnell einen Prototyp aufbauen und die Vorteile eines Context Graphs selbst testen.
Was der Ansatz noch schuldig bleibt
Bei aller Plausibilität lohnt ein nüchterner Blick auf das, was nicht belegt ist. Neo4j beschreibt das Konzept ausführlich, liefert aber keine Messwerte: keine Zahl dazu, wie stark die Token-Kosten tatsächlich sinken, keinen Vergleich der Antwortqualität gegen eine gewöhnliche Vektorsuche, kein Beispiel für eine konkrete Abfrage oder ein Schema. Der versprochene Vorteil bleibt damit ein Argument, keine Messung – und das Argument stammt vom Hersteller der Datenbank, die man dafür braucht.
Dazu kommt der Aufwand, den ein Graph mit sich bringt. Jemand muss entscheiden, welche Entitäten es gibt, wie sie zusammenhängen und was aus einem Gespräch überhaupt dauerhaft gespeichert wird. Diese Modellierungsarbeit fällt bei einem Vektorspeicher weg, in den man Dokumente einfach hineinkippt. Wer nur Dokumente durchsuchbar machen will, fährt damit weiterhin gut. Interessant wird ein Context Graph erst, wenn Entscheidungen nachvollziehbar sein müssen, mehrere Agenten denselben Stand brauchen oder ein Vorgang über Tage läuft. Das sind reale Anforderungen – aber nicht die Mehrheit der Fälle.
Wenn du einen Context Graph implementierst, sorgst du dafür, dass dein KI-Agent konsistent, erklärbar und effizient arbeitet. Das unterscheidet einen statischen Chatbot von einem Agenten, der wirklich mitdenkt und sich weiterentwickelt. Die Investition in diese Architektur zahlt sich aus, sobald du Workflows in Produktion bringst.
Quelle: neo4j.com
