Ein Knowledge Graph ist eine Wissensrepräsentation, die „Entitäten" und die „Beziehungen zwischen ihnen" als Netz organisiert. Nimmt man etwa das Tripel „Zhang Wei — arbeitet bei — einem Tech-Unternehmen — als Ingenieur", so entsteht durch das Verknüpfen genügend vieler „Subjekt–Relation–Objekt"-Tripel ein Graph. Der größte Unterschied zu einer Tabelle: Beziehungen sind erstklassige Bürger, man kann Zusammenhänge direkt abfragen, ganz ohne Joins.
Erst einmal sein Aussehen verstehen
Die anschaulichste Vorstellung: Knoten plus Kanten. Knoten sind Entitäten wie Personen, Unternehmen, Orte und Ereignisse; Kanten sind Relationen wie „gegründet in", „ansässig in" oder „übernommen von". Die Relation trägt selbst einen Namen, sodass eine Maschine ihre Bedeutung liest, statt sie aus Spaltennamen zu raten. Hinter den Wissenspanels von Suchmaschinen und den Infoboxen von Lexika steckt oft Knowledge-Graph-Denken.
Drei Grenzlinien: Was kein Knowledge Graph ist
Erstens: Etwas, das semantische Suche beherrscht, ist kein Knowledge Graph — das ist eine Vektordatenbank. Vektoren speichern, „was worauf ähnelt", ein Knowledge Graph speichert, „in welcher Beziehung etwas steht". Zweitens: Eine Graphdatenbank ist nicht dasselbe wie ein Knowledge Graph. Die Graphdatenbank ist eine Speicher-Engine, der Knowledge Graph eine Art, Wissen zu organisieren; die Engine kann einen Knowledge Graph aufnehmen, aber auch andere Graphen. Drittens: Ein großes Sprachmodell selbst ist kein Knowledge Graph. Das in Modellparametern implizit enthaltene Wissen ist probabilistisch und fehlbar, während jede Relation in einem Knowledge Graph explizit deklariert und nachvollziehbar ist.
Vergleichstabelle: Wie Knowledge Graph, Vektordatenbank und RAG die Arbeit teilen
Die Dreiecksbeziehung in einem Satz: RAG ist der Arbeitsablauf, Vektordatenbank und Knowledge Graph sind zwei Arten von Wissensspeichern, die diesen Ablauf versorgen.
| Vergleichspunkt | Knowledge Graph | Vektordatenbank | | Speichert | Entitäten und explizite Relationen | In Vektoren umgewandelten Text | | Stärke | Mehrstufiges Schließen, präzise Frage-Antwort | Unscharfes semantisches Matching | | Typische Frage | „Welche weiteren Firmen hat der Gründer von Firma A gegründet?" | „Finde eine sinngemäß ähnliche Passage" | | Schwäche | Teuer im Aufbau, langsam in der Pflege | Neigt zu Antworten am Thema vorbei |
RAG (Retrieval-Augmented Generation) ist die komplette Pipeline, die abgerufenes Wissen an ein großes Modell übergibt und dann antwortet: Sie kann semantische Suche in einer Vektordatenbank nutzen, Relationsabfragen in einem Knowledge Graph — oder beides. Diesen Ansatz nennt die Forschung GraphRAG.
Drei verbreitete Missverständnisse
Missverständnis eins: „Knowledge Graphs sind veraltet, ersetzt durch Vektorsuche." Genau umgekehrt: Relationale Fragen sind die Achillesferse der Vektorsuche. Mehrstufige Fragen (etwa „Wer hat die frühere Firma des Gründers eines Produkts übernommen?") reißen in der Vektorsuche oft ab und brauchen das Relationenschließen des Graphen. Missverständnis zwei: „Einen Knowledge Graph bauen heißt, eine Graphdatenbank installieren." Die Engine ist nur der Behälter; die eigentliche Arbeit steckt in Ontologie-Design und Entity-Alignment — ob „Peking" und „Stadt Peking" derselbe Knoten sind, ist wichtiger als die Datenbankwahl. Missverständnis drei: „Für kleine Firmen unbrauchbar." Einen domänenweiten Graphen von Hand zu bauen ist tatsächlich teuer; der pragmatische Weg ist klein und fokussiert: nur eine Fachdomäne abdecken, etwa eine Produktfehlerdatenbank oder eine Vorschriften-Datenbank — da wirkt es am schnellsten.
Wo er wirklich glänzt
Durchleuchtung verbundener Parteien im Finanz-Risikomanagement, Produktwissens-QA im E-Commerce, Wechselwirkungsabfragen von Medikamenten in der Medizin, Klauselnachverfolgung im Kundenservice — gemeinsam ist ihnen: Antworten müssen präzise, erklärbar und auf konkrete Relationen rückführbar sein, nicht bloß Text, der „ähnlich aussieht". Ein Knowledge Graph beantwortet die Frage „Was ist es eigentlich": Wo das Geschäft keine vagen Antworten verträgt, bleibt ein Netz expliziter Relationen unverzichtbare Infrastruktur.
