LinkedIn-Beitrag von **Rakesh Gohel** (Builder bei **JUTEQ**, Governance- und Proof-Infrastruktur für Agenten), veröffentlicht um den **25. Oktober 2026**, ~250 Wörter, begleitet von einer **Infografik**, die *@rakeshgohel01* zugeschrieben wird. Er unterscheidet drei Graphen, die ein Agent zur Entscheidungsfindung benötigt, am Beispiel *"Rebook this passenger"*.
#knowledge graph#knowledge graph#context graph
Rakesh Gohel — builder chez JUTEQ (gouvernance et infrastructure de preuve pour agents IA) ; LinkedIn · newsletter rakeshgohel.substack.com.
Skill-Eintrag: **graphify** von **Safi Shamsi** (Graphify Labs, Y Combinator S26) verwandelt ein gesamtes Projekt — Code, Dokumentation, PDFs, Bilder, Videos — in einen **abfragbaren Knowledge Graph**, aufgerufen über `/graphify` aus Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot und rund fünfzehn weiteren Clients. Stand **6. August 2026**: **103.187 Stars**, **10.024 Forks**, Repository erstellt am **3. April 2026**. Apache-2.0, Python 3.10+, Standard-Branch **v8**. **Drei im README genannte Designentscheidungen**. *„Code maps for free, fully local"*: Der Code wird deterministisch und ohne LLM in einen **tree-sitter-AST** geparst, ohne dass etwas die Maschine verlässt. *„Every edge is explained"*: Jede Kante wird mit **`EXTRACTED`** (explizit in der Quelle) oder **`INFERRED`** (von graphify aufgelöst) gekennzeichnet, mit einem dritten Wert `AMBIGUOUS`, der im Report erscheint. *„Not a vector index"*: *„no embeddings, no vector store: a real graph you traverse"*. **Drei Ausgaben**: `graph.html` (interaktiver Graph), `GRAPH_REPORT.md` (God Nodes, überraschende Verbindungen, vorgeschlagene Fragen) und `graph.json` (persistenter Graph, Wochen später abfragbar, ohne die Dateien erneut zu lesen). **Drei Abfragemodi** als Ersatz für grep: `query` (Subgraph zu einer Frage in natürlicher Sprache), `path A B` (kürzester Pfad zwischen zwei Entitäten) und `explain` (Nachbarschaft eines Konzepts). **Abdeckung**: 36 tree-sitter-Grammatiken (~40 Sprachen), außerdem Terraform, Apex, MCP-Konfigurationen, Paketmanifeste, Office, Google Workspace, PDFs, Bilder sowie Video/Audio, lokal transkribiert von faster-whisper. Communities werden über **Leiden** erkannt, ohne LLM beschriftet. **Benchmarks**: auf LOCOMO ein recall@10 von **0,497** gegenüber 0,149 für supermemory und 0,048 für mem0, jedoch geringere QA-Genauigkeit (45,3 % gegenüber 49,7 %); auf LongMemEval-S **76 %**, auf Augenhöhe mit einem dense RAG; sowie *„Graph build — LLM credits: 0"*. **Festzuhaltende Punkte**: Der `main`-Branch trägt ein README aus der v1-Ära, das ein anderes Produkt beschreibt (Skill nur für Claude Code, die Behauptung „71.5× fewer tokens"); das PyPI-Paket heißt **`graphifyy`** mit zwei *y*, während der Name `graphify` zurückerobert wird; und ein **Query-Log** wird standardmäßig unter `~/.cache/graphify-queries.log` geschrieben, das sich über eine Umgebungsvariable deaktivieren lässt.
#Skill#Wissensgraph#Wissensgraph
**Safi Shamsi** — créateur et mainteneur de graphify · et de **Graphify Labs** · société passée par **Y Combinator (promotion S26)** selon le badge du dépôt. Il maintient aussi le site d'annuaire `graphify.net` (cf. [[graphify-net-annuaire-ia-coding-2026-08-06]]) et publie un livre · *The Memory Layer* · sur les idées et l'architecture derrière le projet.
Dritter Teil von Ashish Singhs Reihe «New Engineering Disciplines for the AI Era», gewidmet dem **KDLC — Knowledge Development Life Cycle**: einem **8-stufigen** Lebenszyklus, der Unternehmenswissen in ein **konstruiertes Gut** verwandelt, gleichrangig mit Code oder Daten. These: KI-Initiativen scheitern nicht an der Wahl des richtigen LLM oder an einem eingesetzten RAG-System, sondern weil sie **die zugrunde liegende Struktur des Wissens nicht adressieren** — „KI ist nur so wirksam wie das Wissen, das sie entdecken, verstehen, abrufen und dem sie vertrauen kann". Der KDLC verkettet Discovery → Extraction → Structuring → Knowledge Graph → Embedding → Index Optimization → Retrieval Evaluation → Refresh. Er stellt dem **traditionellen RAG** (isolierte Dokumente, Schlüsselwörter) das **Enterprise Knowledge Fabric** (Knowledge Graphs + Semantic Search + Vector DB + Hybrid Search) gegenüber, bei dem Agenten „Beziehungen, Kontext und geschäftliche Bedeutung" verstehen. Kernsatz: „Modelle liefern Reasoning. Memory liefert Kontinuität. Wissen liefert Verständnis." Drei Beispiele (Finanzen/Compliance, Softwareentwicklung, Gesundheitswesen) veranschaulichen die Wirkung.
#KDLC#Knowledge Development Life Cycle#Wissenslebenszyklus
Semantischer Agent: die Symmetrie von Modell+Harness und Ontologie+Daten, der Kollaps der Agenten-Frameworks, Ontologie als einziges nicht-kommoditisierbares Asset