Knowledge Graphs und Gedächtnis

Worauf du achten solltest

Die Fragen, die die Optionen unterscheiden, nach Wichtigkeit geordnet.

1. 01

   Beweise zuerst, dass du einen Graphen brauchst

   Graphen helfen bei Fragen, die Beziehungen folgen (wer beliefert wen, welche Verträge zitieren welche Klausel) oder einen ganzen Bestand umfassen (was sind die Hauptthemen). Bau aus echten Fragen einen Evaluierungsdatensatz und lass ihn zuerst gegen hybride Vektorsuche laufen. Wenn nur wenige Fragen an Beziehungen scheitern, bringt ein Graph Kosten und bewegliche Teile ohne viel Gewinn: In der Studie GraphRAG-Bench schickte LightRAG etwa 100.000 Prompt-Tokens pro Frage an das antwortende Modell, gegenüber unter 1.000 bei Vektor-RAG.

2. 02

   Kosten der Indexierung und wie Updates funktionieren

   Jedes Graph-RAG-Tool schickt deine Dokumente durch ein Sprachmodell, um Entitäten und Beziehungen zu extrahieren, die Indexierung kostet also weit mehr als das Einbetten. Microsoft GraphRAG schreibt außerdem Community-Zusammenfassungen und baut bei geänderten Dokumenten weitgehend neu auf; LightRAG lässt die Zusammenfassungen weg und fügt Dokumente inkrementell hinzu; Graphiti nimmt Episode für Episode auf. Schätze die Tokens für deinen ganzen Bestand mit deinem Extraktionsmodell und frag dann, was passiert, wenn sich nächsten Monat ein Zehntel davon ändert.

3. 03

   Zeit: Fakten, die sich ändern

   Das Gedächtnis von Agenten hat ein Problem, das Dokument-RAG selten hat: Fakten veralten. Ein Nutzer zieht um, eine Richtlinie wird ersetzt. Graphiti hält fest, wann jeder Fakt wahr wurde und wann er ungültig wurde, ein Agent kann also beantworten, was jetzt wahr ist und was damals wahr war. Mem0 und die meisten Graph-RAG-Pipelines legen neue Fakten einfach neben alte, und das Zeitbewusstsein von Cognee ist neuer. Wenn dein Agent monatelang läuft, teste den Umgang mit Widersprüchen ausdrücklich.

4. 04

   Speicher-Backend und was du betreiben musst

   Pipelines und Gedächtnisschichten sitzen auf einem Speicher. Graphiti braucht Neo4j, FalkorDB oder Amazon Neptune; die In-Memory-Standards von LightRAG sind nur zum Testen gedacht, für die Produktion empfiehlt es Postgres; GraphRAG schreibt standardmäßig Dateien und einen LanceDB-Index; Cognee nutzt standardmäßig eingebettete Speicher, kann aber auf Postgres oder Neo4j umziehen. Wähle ein Tool, dessen Produktions-Backend du schon betreibst oder zu betreiben bereit bist.

5. 05

   Qualität des Extraktionsmodells und strukturierte Ausgabe

   Die Qualität des Graphen hängt vom Modell ab, das die Extraktion übernimmt. Kleine lokale Modelle übersehen Beziehungen und duplizieren Entitäten, und das README von Graphiti warnt, dass Modelle ohne verlässliche strukturierte Ausgabe die Aufnahme kaputtmachen können. LightRAG nennt ein Modell der 30B-Klasse als praktisches lokales Minimum. Plane für die Indexierung ein fähiges Modell ein und prüfe die Deduplizierung von Entitäten an einer Stichprobe, bevor du alles indexierst.

6. 06

   Lies Gedächtnis-Benchmarks mit Vorsicht

   Produkte für das Gedächtnis von Agenten zitieren LoCoMo, LongMemEval, Deep Memory Retrieval und BEAM. Fast jeder veröffentlichte Wert stammt vom Anbieter, oft für dessen gehosteten Dienst statt für das Open-Source-SDK, mit verschiedenen Modellen und Einstellungen pro Lauf. Nutze sie für eine Vorauswahl und bewerte dann jeden Kandidaten an einer Wiedergabe deiner eigenen Gespräche, wobei du die Genauigkeit bei geänderten Fakten und die Retrieval-Latenz misst.

7. 07

   Lizenz und Open-Core-Aufteilung

   GraphRAG und LightRAG stehen unter MIT; Graphiti, Mem0 und Cognee unter Apache 2.0; die Community Edition von Neo4j steht unter GPLv3 und läuft auf einem einzelnen Server, mit Clustering und rollenbasierter Sicherheit nur in den kostenpflichtigen Editionen. Mehrere Projekte behalten wichtige Funktionen ihrem gehosteten Produkt vor: Das Graph-Gedächtnis von Mem0 gibt es nur auf der Plattform, und der Produktions-Extraktor und der Postgres-Graphspeicher von Cognee liegen in einem lizenzierten Produkt. Prüfe, ob die Funktion, die du brauchst, in der offenen Edition enthalten ist.

9 Tools im Vergleich

Sortiert nach unserer Bewertung. Öffne einen Testbericht für Quellen, Preise und das vollständige Fazit.

Tools für Knowledge Graphs und Gedächtnis im Vergleich

Tool	Bewertung	Unser Fazit	Ideal für	Preis
GraphitiRepo	4.3/5	Für Agenten, deren Fakten sich mit der Zeit ändern, ist Graphiti die Open-Source-Gedächtnisschicht, an der sich andere messen müssen, sofern du eine Graphdatenbank betreiben und bei jedem Schreibvorgang für LLM-Extraktion zahlen willst.	Teams, die langlebige Agenten bauen, die sich veränderliche Fakten über Nutzer, Konten oder die Welt merken müssen.	Kostenlos und Open Source unter Apache 2.0. Die Graphdatenbank stellst du selbst, und du bezahlst die LLM- und Embedding-Aufrufe bei der Aufnahme.
Neo4jRepo	4.1/5	Der Standard-Graph-Speicher, wenn dein RAG oder dein Agenten-Memory wirklich Beziehungen braucht. Die kostenlose Edition endet aber bei einem Server, und die meisten RAG-Systeme brauchen gar keinen Graphen.	Teams, deren Fragen an RAG oder Agenten-Memory von Beziehungen zwischen Entitäten abhängen und die einen bewährten Graph-Speicher brauchen.	Community Edition kostenlos unter GPLv3. Enterprise auf Angebot. AuraDB: kostenlose Stufe; Professional 0,09 $/GB/Stunde (mindestens 1 GB); Business Critical 0,20 $/GB/Stunde (mindestens 2 GB).
GraphifyRepo	4.1/5	Lohnt die Installation bei großen Repos, in denen dein Agent ständig greppt, sofern du die Benchmark-Zahlen als Herstellerangaben behandelst und das Backend für Dokumente bewusst wählst.	Teams mit großen Codebasen, deren Agent sich an der Struktur orientieren soll, statt zu greppen.	Die Open-Source-Engine ist kostenlos (Apache-2.0, im Repo liegt zusätzlich eine MIT-Lizenzdatei). Graphify Cloud hat eine kostenlose gehostete Stufe sowie Pro- und Teams-Pläne pro Platz, deren Preise nicht veröffentlicht sind; selbst gehostetes Enterprise ist im Early Access.
Mem0Repo	4.0/5	Mem0 ist noch immer der schnellste Weg, einem Agenten ein Gedächtnis zu geben, aber das Open-Source-SDK wird zunehmend zur Testversion einer Plattform, die Graph Memory und die besten Benchmark-Werte für sich behält.	Entwickler, die Chatbots und Agenten ein sitzungsübergreifendes Gedächtnis für Nutzer geben.	Open-Source-SDK kostenlos unter Apache 2.0. Platform: Free (10.000 Adds und 1.000 Abrufe im Monat in den ersten 30 Tagen, Modellaufrufe inklusive, danach 50.000 Adds und 10.000 Abrufe mit eigenem LLM-Schlüssel, darüber hinaus nutzungsbasiert abgerechnet bis zu einer selbst gesetzten Obergrenze); Custom-Pläne auf Angebot. Die früheren Pläne Starter für 19 $ und Pro für 249 $ werden nicht mehr aufgeführt.
RAGFlowRepo	4.0/5	Ein fertiges Produkt vom Dokument bis zur Antwort, das auf einem einzigen Server läuft und dessen Sicherheitsbilanz sagt, dass es hinter ein VPN gehört und nicht ins offene Internet.	Teams, die selbst gehostete Fragen und Antworten über Dokumente und einen Wissensassistenten wollen, ohne eine Pipeline zu bauen.	Kostenlos und Open Source unter der Apache-2.0-Lizenz. InfiniFlow verkauft außerdem RAGFlow Cloud: Free (500 Credits im Monat, kein API-Key), Starter für 29 $ im Monat und Pro für 129 $ im Monat (jeweils neben höheren 59 $ und 259 $ angezeigt) sowie Enterprise auf Anfrage mit BYOC und On-Premises-Deployment.
LightRAGRepo	3.9/5	Der vernünftige Weg, Graph-RAG auszuprobieren, günstiger zu pflegen als Microsoft GraphRAG, aber die meisten Teams sollten erst nachweisen, dass sie einen Graphen brauchen, bevor sie einen hinzufügen.	Teams, deren Evaluationen zeigen, dass Multi-Hop-Fragen mit hybrider Suche scheitern, und die einen Graphen auf Postgres wollen.	Kostenlos und Open Source unter der MIT-Lizenz. Indexierung und Abfragen verbrauchen dein eigenes LLM- und Embedding-Guthaben.
CogneeRepo	3.8/5	Cognee baut aus fast jeder Quelle einen gemeinsamen Wissensgraphen, aber seine Voreinstellungen brauchen einen Verantwortlichen, bevor sie auf die Produktion treffen.	Teams, die mehrere Agenten bauen, die einen gemeinsamen, aus vielen Quellen zusammengesetzten Wissensgraphen brauchen.	Open Source unter Apache 2.0. Cognee Cloud: kostenlos bis 1 Mio. Tokens und ein Workspace, danach 1 $ pro 1 Mio. Tokens plus 5 $ pro zusätzlichem Workspace und Monat; Enterprise ist ein BYOC-Projekt nach Angebot.
LettaRepo	3.7/5	Letta hat weiterhin die durchdachtesten Ideen zum Gedächtnis von Agenten, doch der Umbau des Produkts im laufenden Betrieb hat frühere Nutzer zur Migration gezwungen und Neueinsteigern ein bewegliches Ziel hinterlassen.	Entwickler, die langlebige persönliche oder Team-Agenten mit einsehbarem, versioniertem Gedächtnis wollen und bereit sind, ein ganzes Harness zu übernehmen.	Apache 2.0, lokal mit eigenen Modell-Keys kostenlos. Letta Cloud: Free (3 Agenten, 5 MiB pro Gedächtnis-Repository); Pro 20 $/Monat (20 Agenten, 50 MiB, Modellkontingent); API-Tarif 20 $/Monat plus 0,10 $ pro aktivem Agenten im Monat und 0,00015 $ pro Sekunde Tool-Ausführung, Tokens extra; Teams Pro 20 $/Platz/Monat; Enterprise individuell.
GraphRAGRepo	3.5/5	Immer noch das Referenzdesign für Fragen über einen ganzen Korpus, aber Microsoft entwickelt es nicht mehr weiter, und die Indexierungsrechnung ist so hoch wie eh und je.	Teams mit einem festen, wertvollen Dokumentbestand, bei dem dokumentübergreifende Fragen einen teuren einmaligen Index rechtfertigen.	Kostenlos und Open Source unter der MIT-Lizenz. Die Indexierung läuft über dein eigenes OpenAI- oder Azure-OpenAI-Guthaben, und das README warnt, dass sie teuer werden kann.

Im direkten Vergleich

Die Spezifikationen, die für diesen Schritt zählen. Geprüft am 23. Okt. 2026; prüf sie auf der Website des Anbieters, bevor du dich festlegst.

Verbinde es mit deinem Agenten

MCP-Server, mit denen Assistenten wie Claude, ChatGPT und Cursor diese Tools direkt nutzen können.

• Memory (reference server) 3.5
• MCP Memory Keeper 3.4

Wo diese Stufe hingehört

• Recherche und Knowledge Graph: Wir würden mit GraphRAG, Neo4j anfangen.
• Assistent mit Langzeitgedächtnis: Wir würden mit Graphiti, Mem0 anfangen.

Quellen für diesen Leitfaden

• Microsoft GraphRAG configuration
• Graphiti on GitHub
• Zep: temporal knowledge graph architecture (arXiv)
• LightRAG README (storage)
• Neo4j: vector search with filters
• Mem0 docs: vector databases
• Cognee on GitHub
• RAGFlow docs: construct knowledge graph
• Atlan: best AI agent memory frameworks 2026
• When to use Graphs in RAG (GraphRAG-Bench, arXiv)