Graph Engineering: Die Ingenieurwissenschaft, die KI wirklich dazu bringt, "die Welt zu verstehen"
Der entscheidende Vorteil für industrielle KI liegt nie in der „Leistungsstärke“ des Modells selbst, sondern im „Gesamtsystem des Fahrzeugs“, das es steuert – das ist die Kernschlussfolgerung, die wir in unserem Artikel über Harness Engineering gezogen haben.
In dieser dreischichtigen Architektur basieren die „Graphenbeschränkungen“ auf der Steuerungsebene und das „Beziehungsgedächtnis“ auf der Gedächtnisebene ausnahmslos auf Wissensgraphen als Kern. Aber im echten Tiefenbereich der Industrie taucht eine grundlegendere ingenieurwissenschaftliche Frage auf: Wie kann der Graph selbst ingenieurtechnisch umgesetzt werden?
Das ist genau das Kernanliegen von Graph Engineering. Wenn Harness das Problem „Wie man das Modell steuert“ löst, dann löst Graph Engineering das Problem „Woran das Modell glauben soll“ – es baut ein vertrauenswürdiges, schlussfolgerbares und evolvierbares strukturiertes Weltmodell für das Modell auf.
Kürzlich haben die Universität Zhejiang und die Universität von Illinois in Chicago (Team von Akademiker Philip S. Yu) gemeinsam die umfassende Übersichtsarbeit „Graphs Meet AI Agents“ veröffentlicht, die erstmals ein vollständiges akademisches Klassifizierungssystem für „Graph × Agent“ aufbaut. Die Arbeit belegt systematisch einen zentralen Konsens: Bei komplexen Aufgaben müssen Agenten verworrene und ungeordnete Informationen, Operationen und Interaktionen verarbeiten; die Datenstrukturierung ist der Schlüssel für das effektive Verstehen und Verarbeiten durch Agenten; und Graphen werden aufgrund ihrer natürlichen Vorteile bei der Organisation, Verwaltung und Nutzung komplexer Datenbeziehungen zu einem leistungsstarken Datenschema, das die Strukturierung unterstützt.
Diese neuartige Schlussfolgerung stimmt mit der über zehnjährigen industriellen Praxis von Hai Zhi Technology überein. Wir sind stets überzeugt von der Aussage von Akademiker Zheng Weimin: „Der Graph ist wie die linke Gehirnhälfte, das große Modell wie die rechte.“ Echte industrielle KI ist keineswegs eine einfache Kombination aus beiden, sondern lässt strukturiertes Wissen zu einem intrinsischen Denkrahmen des Modells werden.
Ausgehend von der tiefen Logik der ingenieurtechnischen Architektur analysiert dieser Artikel den technischen Kern von Graph Engineering und teilt mit, wie Hai Zhi Technology durch ausgereifte Praktiken im Bereich Graph Engineering eine wirklich vertrauenswürdige Wissensgrundlage für industrielle KI aufbaut.
01 Etablierung des Paradigmas: Der Aufstieg von Graph Engineering
Die Übersichtsarbeit „Graphs Meet AI Agents“ liefert ein klares Urteil: Herkömmliche Agenten verarbeiten hauptsächlich unstrukturierte Daten und können nur potenzielle Zusammenhänge zwischen Informationen im Lernprozess „implizit“ erkennen; während die graphenbasierte strukturierte Modellierung die ursprünglichen komplexen Eingaben in eine einfache und gut organisierte Form umwandeln kann, sodass Agenten sie besser verstehen und verarbeiten können.
Diese Feststellung markiert drei entscheidende Sprünge der KI-Wissensingenieurwissenschaft:
Vor 2022: Ära der Regeln und Expertensysteme (Wissen 1.0) – Abhängig von manuell definierten Ontologien, Regelvorlagen und spezialisierten NLP-Pipelines. Sie ist präzise, aber nicht erweiterbar, und für jeden neuen Bereich muss sie von Grund auf neu aufgebaut werden.
2023~2024: Ära der Vektorsuche (Wissen 2.0) – Vertreten durch RAG, die Vektoreinbettungen für die semantische Ähnlichkeitserkennung nutzt, um dem Modell externes Wissen bereitzustellen. Sie ist erweiterbar, aber im Wesentlichen eine Ähnlichkeitserkennung von „isolierten Punkten“: Sie weiß, „wie etwas aussieht“, aber nicht, „mit wem es verbunden ist und warum“.
Ab 2025: Ära des Graph Engineering (Wissen 3.0) – Beginnend mit Microsofts GraphRAG (2024) und bis zur Systematisierung der Übersichtsarbeit „Graphs Meet AI Agents“ im Jahr 2025 ist der Wissensgraph nicht mehr nur eine Faktendatenbank, sondern wird zu einem schlussfolgerbaren Gedächtnis, einem Gerüst für die Schlussfolgerung und einer überprüfbaren Wissensschicht für Agenten ingenieurtechnisch umgesetzt. Graphen organisieren Wissen zu einem Netzwerk mit Beziehungen, Zeitabläufen und Evolutionsfähigkeit.
Ein einfacher Vergleich kann den wesentlichen Unterschied dieser drei Sprünge veranschaulichen: Vektoren sind „Eindrücke“ – Sie erinnern sich vage, „wie etwas aussieht“, aber können nicht klar sagen, welche Beziehungen es zu anderen Dingen hat; Graphen sind „Karten“ – Sie wissen nicht nur, „was ein Ort ist“, sondern auch, „mit wem er verbunden ist, wie man dorthin kommt und wo man vorbeikommt“. Das Modell ist der Fahrer, und was Graph Engineering baut, ist genau die Karte, die den Fahrer vor dem Verirren bewahrt.
Es ist erwähnenswert, dass diese drei Sprünge keine einfache „Ersetzung“ darstellen, sondern eine Weiterentwicklung und Ergänzung der Fähigkeitsdimensionen: Die Vektorsuche ist im Bereich der semantischen Verallgemeinerung und unscharfen Erkennung unersetzlich, während Graph Engineering darauf aufbauend die „zweite Fähigkeit“ der Beziehungsschlussfolgerung und logischen Rückverfolgbarkeit hinzufügt. Beide verhalten sich wie „System 1 (Intuition)“ und „System 2 (Analyse)“ des menschlichen Gehirns, sie arbeiten zusammen statt gegeneinander.
Gleichzeitig sind diese drei Sprünge nicht parallel zur gesamten Entwicklung der KI-Ingenieurwissenschaft (Prompt Engineering → Context Engineering → Harness Engineering), sondern vertikal verschachtelt: Graph Engineering ist genau die Vertiefung von Context Engineering in Richtung Graphen und zugleich der technische Kern der „Steuerungsebene“ und „Gedächtnisebene“ im Harness Engineering.
Während die Branche heiß über „Harness Engineering“ diskutiert, ist Graph Engineering bereits der wesentliche Träger dieser Zügel und des Gedächtnisses.
02 Die „Schlussfolgerungsklippe“ des Vektor-RAG: Warum Graph Engineering eine unverzichtbare Option für industrielle KI ist
Mit seinen natürlichen Vorteilen bei der semantischen Verallgemeinerung und unscharfen Erkennung zeigt Vektor-RAG eine hervorragende Leistung in Szenarien mit hoher Fehlertoleranz auf der C-Seite. Aber sobald es in die Kerngeschäftsfelder auf der B-Seite wie Finanzen und Verwaltung eintritt, die deterministische Schlussfolgerung und logische Rückverfolgbarkeit erfordern, wird die reine Vektorähnlichkeitssuche strukturelle Mängel aufweisen – sie ist gut darin, isolierte Fragmente zu finden, die „wie etwas aussehen“, aber es fällt ihr schwer, die Beziehungsketten zu verbinden, die „mit wem verbunden sind, warum und wie man dorthin kommt“. Das ist kein „Scheitern“ des Vektor-RAG, sondern seine Fähigkeitsgrenze.
So wie das menschliche Gehirn „Intuition“ und „Analyse“ zusammenarbeiten muss, braucht auch die industrielle KI eine tiefe Integration von Vektorsuche und Graphenschlussfolgerung. Graph Engineering ist genau die ingenieurtechnische Lösung, die diese Schlussfolgerungsfähigkeit des „Systems 2“ ergänzt. Diese Feststellung wurde in zahlreichen Experimenten auf Top-Konferenzen systematisch bestätigt.
1. Semantische Ähnlichkeit ≠ Logische Relevanz: Systematisches Versagen bei der Mehrfachschlussfolgerung
Das Wesen der Vektorsuche ist die Ähnlichkeitserkennung von „isolierten Punkten“. Jeder Absatz wird unabhängig kodiert, und es ist nicht möglich, Entitätsbeziehungen über Absätze hinweg zu verknüpfen. Dies führt zu einem systematischen Versagen bei der Mehrfachschlussfolgerung (z. B. „An welcher Universität hat der Mentor des Ehepartners von A seinen Abschluss gemacht“).
HippoRAG (NeurIPS 2024) liefert den direktesten Beweis: Nach der Integration von Vektorsuche mit Wissensgraphen und personalisiertem PageRank steigt der Recall@5 auf 2WikiMultihopQA von 68,2 bei reinem Vektor auf 89,5 – eine Steigerung von bis zu 20%, die Kosten sind um das 10- bis 30-fache gesunken und die Geschwindigkeit ist 6- bis 13-fach höher.
Noch überzeugender ist das direkte Vergleichsexperiment der Arbeit zu StructuralMemory: Nach dem systematischen Vergleich von vier Gedächtnisstrukturen – Chunks (Vektoren), Wissentripeln (Graphen), atomaren Fakten und Zusammenfassungen – sind Wissentripel bei der Beziehungsschlussfolgerung und dem Multi-Hop-QA eindeutig besser als reine Vektor-Chunks, und das gemischte Gedächtnis mit Tripeln weist die höchste Störfestigkeit auf.
Vektoren können nur finden, „wie etwas aussieht“, nur Graphen können die Frage „mit wem es verbunden ist“ beantworten – das ist ein struktureller Fähigkeitsunterschied, der nicht durch Parameteranpassungen ausgeglichen werden kann.
Es ist jedoch zu betonen, dass die stabilste Lösung nicht darin besteht, Vektoren durch Graphen zu ersetzen, sondern Graphen als Beziehungsgerüst und Vektoren als semantischen Eingang zu nutzen, sodass beide zusammen eine gemischte Sucharchitektur bilden.
2. Black-Box-Schlussfolgerung und Audit-Dilemma: Von der „Wahrscheinlichkeitsvermutung“ zur rückverfolgbaren Pfad
Die Kerngeschäfte von Unternehmen müssen konforme Audits durchlaufen, aber die Schlussfolgerung allgemeiner großer Modelle ist eine „Black-Box“. Graph Engineering löst dieses Problem grundlegend: Die Graphenstruktur wandelt die „Black-Box-Schlussfolgerung“ des LLM in eine „White-Box-Pfad-Schlussfolgerung“ um – jeder Schritt der Schlussfolgerung hat Entitäten und Beziehungen im Wissensgraphen als Ankerpunkte, der Prozess ist rückverfolgbar, auditierbar und korrigierbar.
Think-on-Graph (ICLR 2024) lässt das LLM als Agent eine Beam-Suche auf dem Wissensgraphen durchführen, wobei jeder Schritt nur unter Nachbarschaftsbeziehungen ausgewählt wird, die im Graphen wirklich existieren, sodass der Schlussfolgerungspfad der Graphenstruktur treu bleibt. Sein expliziter Pfad kann fehlerhafte Tripel rückverfolgen und menschliche oder LLM-Feedback-Korrekturen unterstützen. Reasoning on Graphs (ICLR 2024) geht noch weiter und nutzt die durch den Wissensgraphen begründete Beziehungspfade als „treuen Plan“, um die Richtung der Schlussfolgerung zu beschränken.
Sein Ablationsexperiment ist sehr überzeugend: Der zufällige Pfad (35,2 F1) ist schlechter als der Pfad ohne Beschränkung (49,7), während der treue Pfad des Wissensgraphen 70,8 erreicht – das beweist, dass es nicht ausreicht, „einfach einen Graphen hinzuzufügen“, sondern nur eine „korrekte und vollständige Graphenstruktur“ die Schlussfolgerung effektiv leiten kann.
Daraus ergibt sich auch die wichtigste ingenieurwissenschaftliche Herausforderung von Graph Engineering: Wie man kontinuierlich qualitativ hochwertige Wissensgraphen-Ontologien aufbaut, prüft und ergänzt. Je genauer die Karte ist, desto vertrauenswürdiger ist der Fahrer; aber wenn die Karte selbst Lücken aufweist, muss das Ingenieursystem eingebaute Korrektur- und dynamische Aktualisierungsmechanismen haben – das ist der Kernwert, den Hai Zhi Technology auf der Ebene der Ontologie-Beschränkung investiert.
3. Nicht evolvierbares Wissen: Vektoren sind statische Momentaufnahmen, Graphen sind lebendige Beziehungsnetzwerke
Unternehmenswissen ist dynamisch – Kundenbeziehungen ändern sich, Richtlinien werden aktualisiert, Lagerbestände werden in Echtzeit umgeschlagen. Aber die Vektordatenbank ist im Wesentlichen eine statische Momentaufnahme und kann nicht ausdrücken, dass sich Beziehungen im Laufe der Zeit entwickeln. Zep/Graphiti (2025) nutzt zeitliche Wissensgraphen zur Pflege historischer Beziehungen, wodurch die Genauigkeit bei der sitzungsübergreifenden Informationssynthese um 18,5% gesteigert und die Antwortverzögerung um 90% reduziert wird; A-MEM (NeurIPS 2025) lässt beim Hinzufügen neuer Erinnerungen eine selbstorganisierte Aktualisierung der historischen Erinnerungen auslösen, der Token-Verbrauch wird um 85-93% gesenkt und die Leistung bei Multi-Hop-Aufgaben erreicht das Doppelte von vektorbasierten oder zwischengespeicherten Gedächtnissen wie MemGPT. Graphen sind keine toten Daten, die abgefragt werden, sondern lebendige Netzwerke, die sich durch die Interaktion mit Agenten kontinuierlich weiterentwickeln.
Der überraschendste und überzeugendste Beweis stammt von Think-on-Graph: Llama2-70B + Graphenbeschränkung übertrifft auf ComplexWebQuestions (53,6%) die CoT-Schlussfolgerung von GPT-4 ohne Graphenbeschränkung (46,0%). Kleine Modelle + Graph Engineering übertreffen große Modelle im reinen Betrieb – das bestätigt direkt die zentrale Feststellung der industriellen KI: Der entscheidende Vorteil liegt nicht in den Modellparametern, sondern im Ingenieursystem. Der Nutzen von Graph Engineering übersteigt sogar den Nutzen der Erhöhung der Modellgröße.
03 Kernarchitektur und ingenieurtechnische Umsetzung von Graph Engineering
Die oben genannten industriellen Probleme zeigen, dass die reine Abhängigkeit von Vektorsuche oder reiner Modell-Schlussfolgerung bei der Bewältigung komplexer Beziehungsschlussfolgerungen eine Lücke in den Fähigkeiten aufweist und die Anforderungen der Kerngeschäfte auf der B-Seite nicht erfüllen kann. Graph Engineering schließt genau diese Lücke. Das bedeutet aber nicht, dass ein einziges Graphenschema alle Szenarien abdeckt – es gibt keine einzige Grundlagentechnologie für industrielle KI, die für alle Fälle passt.
Die Übersichtsarbeit „Graphs Meet AI Agents“ unterteilt die Fähigkeiten von Graphen zur Unterstützung von Agenten in vier Funktionen: Planung, Ausführung, Gedächtnis und Multi-Agent-Koordination – dies stimmt genau mit dem dreischichtigen System „Steuerungsebene – Gedächtnisebene – Orchestrierungsebene“ überein, das Hai Zhi in der Harness-Architektur entwickelt hat.
Aufbauend auf über zehnjähriger technischer Erfahrung im 2B-Bereich hat Hai Zhi die Fähigkeiten im Bereich Graph Engineering tief in die Kernkomponenten von Graph Engineering umgewandelt:
