chemenu/kb/concepts/Knowledge Graph.md

type, concept_type, tags, created, modified, related, sources, confidence, confidence_base, provenance, summary

type	concept_type	tags	created	modified	related	sources	confidence	confidence_base	provenance	summary
types/concept.md	architecture	graph entities relationships knowledge-management	2026-07-26	2026-08-29	exemplifies LLM Wiki Pattern see-also Memory Lifecycle see-also Entity Extraction composition Typed Relationships see-also Graph Traversal	Source - LLM Wiki v2	0.90	0.90	sourced	Typisierte Schicht aus Entities und Beziehungen über den Wiki-Seiten, die eine reichere Wissensdarstellung und graphbasierte Abfragen ermöglicht.

Knowledge Graph

Typ: Architektur (Strukturierte Wissensrepräsentation)

Definition

Ein Knowledge Graph ist eine typisierte, strukturierte Ebene über Wiki-Seiten, die Entities und ihre Beziehungen darstellt. Während das ursprüngliche LLM Wiki Seiten mit Wikilinks verwendet (was funktioniert), erfasst das Hinzufügen einer Knowledge-Graph-Ebene eine reichere Struktur, die bessere Abfrage und Entdeckung ermöglicht.

Dieses Konzept wird in LLM Wiki Pattern v2 als Verbesserung der ursprünglichen flachen Seitenstruktur eingeführt.

Kernpunkte

Was das Original richtig macht

Seiten mit Wikilinks sind:

• Menschenlesbar
• Einfach zu erstellen und zu pflegen
• Gut für Narrativ-Informationen
• Funktionieren gut für kleine bis mittlere Wikis

Was fehlt

Wikilinks allein erfassen nicht:

• Entity-Typen (person, project, concept usw.)
• Beziehungstypen (uses, depends on, contradicts usw.)
• Beziehungssemantik (Richtung, Stärke, Vertrauen)
• Strukturelle Verbindungen, die Keyword-Suche vermisst

Die Knowledge-Graph-Lösung

Der Graph ergänzt (ersetzt nicht) Wiki-Seiten durch:

1. Entity Extraction Bei der Aufnahme einer Quelle strukturierte Entities extrahieren:

• Typen: People, projects, libraries, concepts, files, decisions, systems, tools, technologies
• Attribute: Für jede Entity typspezifische Metadaten speichern
• Beispiele: "React" (type: library), "Auth migration" (type: project), "Sarah" (type: person)

2. Typed Relationships Nicht alle Verbindungen sind gleich. Typisierte Beziehungen mit semantischem Gewicht verwenden:

Beziehung	Gewicht	Beschreibung
depends on	Hoch	Funktionale Abhängigkeit
uses	Mittel	Tool/Library-Nutzung
implements	Hoch	Schnittstellen-/Spec-Implementierung
extends	Mittel	Vererbung/Erweiterung
replaces	Mittel	Austauschbeziehung
conflicts with	Hoch	Inkompatibilität
requires	Hoch	Voraussetzung
produces	Mittel	Ausgabe/Artefakt
consumes	Mittel	Eingabe/Ressource
owns	Mittel	Verantwortung
maintains	Mittel	Wartungsverantwortung
causes	Hoch	Kausalität
fixed	Hoch	Behebung
supersedes	Hoch	Versionskontrolle für Wissen
contradicts	Hoch	Gegensätzliche Aussagen
relates to	Niedrig	Allgemeine Beziehung

3. Graph-Traversal für Abfragen Statt nur Keyword-Suche kann das LLM:

• Bei einem Entity-Knoten beginnen (z. B. Redis)
• Durch Beziehungskanten nach außen gehen
• Alles Nachgelagerte finden (z. B. alle Services, die von Redis abhängen)
• Verbindungen erfassen, die Keyword-Suche vermisst

Beispiel-Abfrage: „Wie wirkt sich ein Redis-Upgrade aus?"

• Bei Redis-Knoten beginnen
• „depends on"-Kanten nach außen folgen
• Finde: Service A, Service B, Service C
• „uses"-Kanten von diesen Services folgen
• Finde: Deployment X, Deployment Y
• Ergebnis: Vollständige Auswirkungsanalyse

Implementierung

Basierend auf Agent Memory und iii Engine:

1. Entities extrahieren bei Quellaufnahme
2. Im Graph-Datenbank oder strukturiertem Format speichern
3. Bidirektionale Links pflegen zwischen Graph-Knoten und Wiki-Seiten
4. Graph-Traversal aktivieren für komplexe Abfragen
5. Graph visualisieren für menschliches Verständnis

Graph vs. Seiten

Aspekt	Seiten	Graph
Zweck	Lesen, Narration	Navigation, Entdeckung
Stärke	Menschenlesbar, reichhaltiger Kontext	Maschinenlesbar, präzise Beziehungen
Anwendungsfall	Ein Thema verstehen	Verbindungen finden, Auswirkungsanalyse
Wartung	LLM schreibt Prosa	LLM extrahiert Struktur

Best Practice: Beide verwenden. Seiten zum Lesen, Graph zur Navigation und Entdeckung.

Vorteile

• Bessere Abfragen: Verbindungen finden, die Keyword-Suche vermisst
• Auswirkungsanalyse: Abhängigkeiten und Beziehungen nachverfolgen
• Entdeckung: Verwandte Entities automatisch anzeigen
• Präzision: Typisierte Beziehungen sind aussagekräftiger als untypierte Links
• Skalierbarkeit: Graph-Struktur ermöglicht effizientes Traversal

Wann zu verwenden

• Wikis mit >100 Seiten (wo Keyword-Suche zu fehlschlagen beginnt)
• Domänen mit komplexen Beziehungen (Softwaresysteme, Organisationen)
• Situationen, die Auswirkungsanalyse oder Abhängigkeitsverfolgung erfordern
• Multi-Hop-Abfragen (finde X, das sich auf Y bezieht, das sich auf Z bezieht)

Wann NICHT zu verwenden

• Kleine Wikis (<100 Seiten) - Wikilinks könnten ausreichend sein
• Einfache, lineare Wissensbereiche
• Situationen, in denen der Overhead nicht gerechtfertigt ist

Verwandte Concepts

• Agent Memory - Produktionsimplementierung

Siehe auch

• Hybrid Search (nutzt Graph-Traversal als einen Stream)
• Event-Driven Automation (für automatische Graph-Updates)
• Supersession (als Graph-Beziehung verfolgt)

Beziehungen

• exemplifies: LLM Wiki Pattern
• see-also: Memory Lifecycle
• see-also: Entity Extraction
• composition: Typed Relationships
• see-also: Graph Traversal