KI-Agenten schreiben E-Mails, fassen Meetings zusammen, automatisieren Workflows und geben Investitionsratschläge. Und doch haben die meisten von ihnen ein grundlegendes Problem: Sie vergessen.

Flüchtiger Speicher, abgeschnittene Kontextfenster, kaum ein dauerhaftes Verständnis für die sich verändernden Absichten oder die Umgebung eines Nutzers. Das Ergebnis? Wiederholungen, Halluzinationen und ein Verlust an Orientierung darüber, was wirklich relevant ist.

Genau hier setzen temporale Wissensgraphen an. Anders als statische Wissensgraphen integrieren sie Zeit als eigenständige Dimension. Sie erfassen nicht nur, was passiert ist, sondern auch wann und wie sich Beziehungen über die Zeit verändern. Aus statischem Wissen wird ein lebendes, sich entwickelndes Gedächtnis.

Michael Banf und Johannes Kuhn stellten auf der Neo4j Nodes '25 Teile dieser Forschung vor: „Building Evolving AI Agents Via Dynamic Memory Representations Using Temporal Knowledge Graphs". Der Vortrag zeigte, wie sich durch zeitliche Granularität in Wissensgraphen Anwendungen realisieren lassen, die von personalisierten Empfehlungen über industrielles Prozessmonitoring bis zu medizinischen Diagnoseassistenten reichen.

Für uns bei Perelyn steht diese Arbeit in direktem Zusammenhang mit der Frage, wie KI-Systeme langfristig nützlich werden – nicht nur im Moment der Anfrage, sondern über Wochen und Monate hinweg.

Die vollständige Aufzeichnung des Vortrags ist auf YouTube verfügbar.

‍