Annahmen bestätigen
Der Nutzer bestätigt oder korrigiert, was das System aus früheren Fragen über Produkt, Rolle und Ziel gelernt hat.
← Zur Übersicht
04 · Interaktion und Memory
Conversational Graph
Ein Conversational Graph modelliert Gesprächsverlauf, Nutzerziele, Annahmen, Korrekturen, Präferenzen und offene Fragen als strukturierten Kontext. Er macht Memory prüfbar statt nur Chatverlauf anzuhäufen.
Lernziel
Du lernst, wie GraphRAG über mehrere Gesprächsschritte stabil bleibt, ohne jede Äußerung ungeprüft als Wahrheit zu behandeln.
Wann dieser Graph-Typ grundsätzlich hilft
- Wenn Nutzer über mehrere Schritte an einer Entscheidung oder Analyse arbeiten.
- Wenn Annahmen, Korrekturen und offene Punkte nachvollziehbar bleiben müssen.
- Wenn Folgefragen auf bestätigtem Kontext aufbauen sollen, ohne alte Fehler mitzuschleppen.
Was typischerweise im Graph ist
- Sessions, Nutzerziele, Fragen, Antworten, Annahmen, Korrekturen und Entscheidungen.
- Beziehungen wie bestätigt, korrigiert, ersetzt, hängt ab von oder ist offen.
- Vertrauensstatus, Zeitstempel und Herkunft von Memory-Einträgen.
Wofür das LLM diesen Graph nutzt
- Das LLM erhält relevanten Gesprächskontext statt den gesamten Chat.
- Es erkennt Widersprüche zwischen neuen Aussagen und gespeichertem Kontext.
- Es schlägt sinnvolle nächste Klärungen vor.
Typisches Risiko
Alles wird gespeichert, aber nichts ist vertrauenswürdig oder widerrufbar.
EU-AI-Act-Beispiel
Was haben wir zur Launch-Entscheidung schon geklärt?
Auf diese Demo angewendet
Ein Conversational Graph macht das Gespräch selbst zum strukturierten Kontext. Er hält fest, welche Annahmen, Korrekturen, Ziele und offenen Fragen für die nächste Antwort relevant sind.
EU-AI-Act-spezifisch
- Wenn eine Launch-Entscheidung über mehrere Workshops oder Fragen hinweg entsteht.
- Wenn Annahmen, Korrekturen und offene Punkte nachvollziehbar bleiben müssen.
- Wenn ein System bei Folgefragen wissen soll, was bereits geklärt wurde.
Blick in den Maschinenraum
Die Blackbox als Trace geöffnet
Das ist der didaktische Kern: Aus Nutzereingabe werden System-Intent, Graphkontext, LLM-Kontext und schließlich eine Antwort.
Trace
- User
Folgefrage baut auf Vorwissen auf
Was haben wir zur Launch-Entscheidung schon geklärt?
Benötigt: Gesprächshistorie, bestätigte Annahmen, Korrekturen, offene Punkte
- System
Memory-Abfrage, kein Neustart
Folgefrage erkannt. Gesprächszustand laden, Vertrauensstatus prüfen. Nicht nur letzten Turn, sondern Session-Verlauf auswerten.
Intent: Gesprächsstand zusammenfassen, nicht neu beginnen
- Graph
Memory mit Vertrauensstatus
Anbieter-Rolle [bestätigt, Turn 3]. Hochrisiko-KI [bestätigt, Turn 5]. Risikoklasse [korrigiert: zunächst 'unklar', ab Turn 7 'Hochrisiko']. Offene Punkte: Verantwortliche für Art. 9 [nicht bestätigt], Konformitätsbewertung-Timing [offen].
Memory: 2 bestätigt, 1 korrigiert, 2 offen – Korrekturen bleiben sichtbar
- LLM
Nur bestätigte Einträge als Grundlage
Memory-Kontext empfangen. Anweisung: nur bestätigte Annahmen als Grundlage nutzen. Korrekturen explizit nennen. Offene Punkte als Blocker markieren, nicht raten.
Prompt-Constraint: Memory-Status sichtbar machen
- LLM
Stand mit Korrekturen sichtbar gemacht
Bisher gesichert: Ihr seid Anbieter, Hochrisiko steht (nach Korrektur aus Turn 7). Offen: Wer verantwortet Art. 9 Risikomanagement? Wann startet die Konformitätsbewertung? Das sind die zwei verbleibenden Blocker für den Launch.
Whitebox: 2 bestätigt, 2 offen, 1 Korrektur explizit
Interaktionsmodell
Was der User macht, was im Graph ist, was das LLM macht
Wichtig ist nicht nur der sichtbare Graph. Der Lerneffekt entsteht, wenn sichtbar wird, wie Nutzerintention, Graphkontext und LLM-Synthese zusammenwirken.
Eingabe und Steuerung
User
Folgefrage stellen
Er fragt nicht jedes Detail neu, sondern baut auf der bisherigen Launch-Diskussion auf.
Memory bereinigen
Der Nutzer kann falsche Annahmen widerrufen oder offene Punkte als erledigt markieren.
Strukturierter Kontext
Graph
Gesprächsknoten
Der Graph enthält Sessions, Fragen, Antworten, Ziele, Annahmen, Korrekturen und offene Entscheidungen.
Vertrauenskanten
Kanten halten fest, ob eine Aussage bestätigt, korrigiert, ungeprüft oder veraltet ist.
Entscheidungsverlauf
Der Graph zeigt, wie sich die Launch-Entscheidung Schritt für Schritt entwickelt hat.
Synthese und Sprache
LLM
Gesprächskontext laden
Das LLM erhält relevante bestätigte Annahmen, offene Punkte und Korrekturen statt den gesamten Chatverlauf.
Widersprüche erkennen
Es markiert, wenn eine neue Aussage früheren Annahmen widerspricht.
Nächste Klärung vorschlagen
Die Antwort enthält nicht nur Inhalt, sondern den nächsten sinnvollen Schritt im Entscheidungsprozess.
Sichtbarer Ablauf
Wie das LLM mit dem Graph interagiert
Dialog
- User
Wir haben letzte Woche geklärt, dass wir Anbieter sind. Welche Pflicht ist jetzt die dringendste vor unserem August-Launch?
- Graph
Session-Kontext: Anbieter [bestätigt, Turn 3], Hochrisiko [bestätigt, Turn 5]. Offen: Konformitätsbewertung [nicht gestartet], Techn. Dok. [in Arbeit]. Launch-Datum: August.
- LLM
Auf Basis der bestätigten Anbieter-Rolle und Hochrisiko-Einstufung: Die dringendste Pflicht ist die Konformitätsbewertung nach Art. 43 – sie muss vor Inverkehrbringen abgeschlossen sein. Ist bis August realistisch?
- User
Die Konformitätsbewertung ist gerade gestartet, braucht noch 6 Wochen. August wäre knapp – was, wenn wir den Launch verschieben?
Prompt-Paket
Was ins LLM-Kontextfenster geht
- Aktuelle Frage
- Bestätigte Annahmen aus der Session
- Korrekturen und widerrufene Aussagen
- Offene Entscheidungen und blockierende Fragen
- Regel, unsichere Memory-Einträge nicht als Fakt zu behandeln
Das LLM durchsucht nicht den gesamten Graph. Es bekommt ein ausgewähltes, strukturiertes Kontextpaket und muss innerhalb dieser Grenze antworten.
Observation
Die simulierten Zwischenschritte
1
Gesprächszustand lesen
Die Simulation unterscheidet aktuelle Frage, Ziel, Annahme und offene Entscheidung.
Folgefragen starten nicht wieder bei null.
2
Memory prüfen
Korrekturen überschreiben nicht still, sondern werden als Ereignis sichtbar.
Der Nutzer erkennt, ob die Antwort auf alten oder korrigierten Annahmen basiert.
3
Nächsten Schritt wählen
Der Graph schlägt die nächste sinnvolle Klärung vor.
Das Demo-Gespräch wird zu einem prüfbaren Entscheidungsverlauf.