Wissensgraph, auf Englisch Knowledge Graph: Das klingt nach Konzern-IT. Dahinter steckt aber eine einfache Idee, die du vermutlich schon nutzt, wenn du in Obsidian eine Notiz mit einer anderen verlinkst. Hier steht, was ein Wissensgraph ist, wie sich ein persönlicher vom Konzern-Graphen unterscheidet und warum eine KI-App damit besser antwortet als mit einem Stapel Dateien.
Was ein Wissensgraph (Knowledge Graph) ist
Ein Wissensgraph besteht aus zwei Dingen. Knoten sind die Dinge, über die du etwas weißt: eine Person, ein Projekt, ein Vertrag, ein Rezept. Kanten sind die Verbindungen zwischen ihnen. Interessant wird es, wenn die Kanten einen Typ haben. Dann verbindet zwei Knoten nicht bloß „hat irgendwas mit“, sondern „arbeitet an“, „ist Teil von“ oder „steht in“.
Ein Beispiel: Der Knoten „Mietvertrag“ hängt über „steht in“ am Scan des Vertrags, über „betrifft“ an der Vermieterin und über „Frist“ an einem Datum. Keine dieser Informationen ist neu, neu ist nur ihre Verbindung.
Ein Dokument liegt in genau einem Ordner, ein Knoten kann an beliebig vielen Kanten hängen. Und ein Tag sagt nur „gehört zur Kategorie X“, eine Kante sagt, wie zwei konkrete Dinge zusammenhängen.
Das bekannteste Beispiel: Google
Den bekanntesten Wissensgraphen siehst du fast täglich: 2012 hat Google seinen Knowledge Graph eingeführt, unter dem Motto „things, not strings“: Die Suche sollte nicht mehr nur Zeichenketten abgleichen, sondern Dinge kennen (Personen, Orte, Firmen) und wissen, wie sie zusammenhängen. Der Infokasten neben den Suchergebnissen, etwa zu einer Schauspielerin, kommt aus diesem Graphen.
Groß und persönlich: zwei verschiedene Dinge
Wenn Unternehmen von Wissensgraphen sprechen, meinen sie meist ein kleineres Google-Projekt: Produkte, Kunden, Lieferanten, modelliert in einer Graph-Datenbank, mit festem Schema und einem Team, das es pflegt. Das lohnt sich, wenn viele Systeme dieselben Daten abfragen.
Ein persönlicher Wissensgraph funktioniert anders. Es gibt kein Schema vorab, die Struktur entsteht aus deinen Notizen. Das bekannteste Werkzeug dafür ist Obsidian: Schreibst du [[Gartenprojekt]] in eine Notiz, entsteht ein Link, und die Zielnotiz zeigt ihn als Rückverweis (Backlink) an. Die Graph-Ansicht macht daraus ein Netz aus Punkten und Linien. Ein paar hundert so verlinkte Notizen sind ein Wissensgraph, ob du ihn so nennst oder nicht. Verwandt ist die Idee des Second Brain.
Die Schwäche ist die Handarbeit: Jede Kante existiert nur, wenn du sie gesetzt hast. Und alles, was kein getippter Text ist, also ein PDF, ein Scan oder eine weitergeleitete Mail, bleibt meist ein loser Punkt ohne Verbindungen.
Warum eine KI-App mit einem Graphen besser antwortet
Gibst du einer KI-App einen Stapel Dokumente, sucht sie die Textstellen, die deiner Frage am ähnlichsten sind, und antwortet daraus. Das klappt, solange die Antwort an einer Stelle steht. Es klappt schlechter, wenn sie verteilt ist: Die Frist steht im Vertrag, die Kündigung in einer Mail, die Begründung in einer Notiz vom letzten Jahr.
Ein Graph hilft, weil er Nachbarschaft kennt. Hat die Suche den Vertrag gefunden, kann die KI den Kanten folgen und holt sich, was daran hängt: die Mail, die Notiz, die Person. Der Kontext kommt dann nicht nur aus Ähnlichkeit, sondern aus Verbindungen. Microsoft Research hat 2024 unter dem Namen GraphRAG einen Ansatz dafür vorgestellt: erst aus den Dokumenten einen Graphen aus Entitäten und Beziehungen bauen, dann beim Antworten darauf zurückgreifen. Er zielt vor allem auf Fragen, die einen Überblick über viele Dokumente verlangen, weniger auf das Nachschlagen einzelner Fakten.
Dafür muss die KI-App an den Graphen herankommen. Das regelt MCP, der offene Standard, über den Claude, ChatGPT und andere KI-Apps externe Datenquellen lesen.
Einen Graphen bauen, ohne zu taggen
Das Verknüpfen muss heute nicht mehr bei dir liegen. Sprachmodelle erkennen in Texten gut, welche Personen, Projekte und Themen vorkommen, und können daraus Kanten ziehen. Du kannst weiter mit Wikilinks schreiben und dir fehlende Verbindungen vorschlagen lassen. Oder du legst Material einfach ab und lässt den Graphen ganz automatisch entstehen.
Memexa ist ein Beispiel für den zweiten Weg (und unser eigenes Produkt, das sei dazugesagt). Notizen, Dokumente und Scans werden gelesen, Scans per Texterkennung, und automatisch mit Projekten, Personen und Themen verknüpft, über typisierte Kanten statt Tags. Ein Obsidian-Vault lässt sich als ZIP importieren, die Wikilinks bleiben dabei als Kanten erhalten. Claude, ChatGPT oder jede andere KI-App mit MCP liest dein Gedächtnis über https://brain.memexa.ai/mcp, und die Antworten nennen ihre Fundstellen bis zur Seite. Gehostet in der EU, jederzeit als Markdown exportierbar. So funktioniert es im Detail. Die Pläne beginnen bei 2,49 € im Monat bei jährlicher Zahlung oder 2,99 € monatlich (Preise), ohne kostenlosen Plan; die 14 Tage Testphase setzen eine Karte voraus.
Wer seine Daten lieber auf dem eigenen Rechner behält, kommt mit Obsidian und einem lokalen MCP-Server auch weit. Die Wege im Vergleich.
So fängst du an
- Nimm, was schon da ist: PDFs, bestehende Notizen, einen Mail-Ordner. Ein leerer Graph nützt nie, einer aus vorhandenem Material ab dem ersten Tag.
- Entwirf kein Schema. Welche Arten von Knoten du brauchst, zeigt sich nach ein paar Wochen.
- Verlinke beim Schreiben, nicht hinterher. Ein
[[Name]]beim Tippen kostet eine Sekunde, nachträgliches Aufräumen kostet Abende. - Prüfe mit Fragen, die über mehrere Dokumente gehen. „Was haben wir zum Umbau entschieden, und warum?“ zeigt schneller als jede Graph-Ansicht, ob die Verbindungen tragen.
- Achte auf den Ausgang. Dein Graph wächst über Jahre, er sollte sich in einem offenen Format wie Markdown exportieren lassen, egal wo er liegt.
Häufige Fragen
Brauche ich eine Graph-Datenbank?
Für einen persönlichen Graphen nicht. Ein Ordner mit Markdown-Dateien und Wikilinks ist schon ein Graph. Graph-Datenbanken wie Neo4j lohnen sich bei großen Datenmengen und komplexen Abfragen, nicht für deine Notizen.