Die Pipeline eines temporalen Agents folgt einer einfachen Logik.
Eingabe in Abschnitte unterteilen
Am Anfang steht ein Dokument, etwa das Protokoll einer Vorstandssitzung oder ein Geschäftsbericht. Unterteile es in überschaubare Abschnitte, zum Beispiel einzelne Wortbeiträge oder Absätze.
Aussagen extrahieren
Extrahiere aus jedem Abschnitt klare, eigenständige Aussagen wie: „Unternehmen X ist Marktführer.“
Typ kennzeichnen
Tatsache (objektive Wahrheit)
Meinung (subjektiv)
Prognose (Vorhersage oder Schätzung)
Statisch (zu einem bestimmten Zeitpunkt wahr)
Dynamisch (kann sich im Laufe der Zeit ändern)
Zeitunabhängig (zeitlose Tatsache)
Zeitlichen Kontext verstehen
Der Agent erkennt, wann die Aussage wahr wurde und, falls erforderlich, wann sie nicht mehr zutraf, also ungültig wurde. Dabei geht es um die Gültigkeit der enthaltenen Information. Sie kann von dem Zeitpunkt abweichen, an dem die Aussage getroffen oder veröffentlicht wurde.
Auf Widersprüche prüfen (Ungültigkeit)
Widerspricht eine neue Aussage einer älteren, wird der ältere Eintrag als abgelaufen markiert und mit dem neueren verknüpft. Die ungültig gewordene Information wird also nicht vollständig aus der Wissensbasis entfernt.
Dieser Prozess ist automatisiert und nachvollziehbar. So kannst du jederzeit im Detail prüfen, was sich geändert hat und warum.
Die gute Nachricht? Du musst nicht dein gesamtes System neu konzipieren. Temporale Agents lassen sich häufig direkt in deine bestehende RAG- oder Wissenspipeline-Architektur integrieren.
Wichtige Komponenten:
Semantische Segmentierung: Unterteile Rohtext in sinnvolle Abschnitte.
LLM-gestützte Faktenextraktion: Nutze LLMs, um Fakten zu erkennen, Datumsangaben zu erfassen und Ereignistypen zu kennzeichnen.
Temporale Klassifizierung: Nutze LLMs, um Aussagen zeitlich einzuordnen und ihre Gültigkeitszeiträume zu bestimmen.
Logik zur temporalen Ungültigkeit: Neue Fakten können ältere automatisch aktualisieren oder als abgelaufen markieren. Eine manuelle Versionierung ist nicht nötig.
Tripelbasierte Speicherung: Bei Wissensgraphen oder graphbasierten Datenbanken wird jede Tatsache als [Subjekt] + [Aktion] + [Objekt] + [Startzeit, Endzeit] gespeichert.
Mit der richtigen Konfiguration können selbst kleine Teams innerhalb weniger Wochen vom Prototyp zum Produktivbetrieb gelangen. Für den Prototyp kannst du größere Modelle wie GPT-4.1 verwenden und nach der Stabilisierung zu schnelleren Varianten wie GPT-4.1-mini oder nano wechseln. Weitere technische Details findest du im OpenAI-Cookbook zu temporalen Agents mit Wissensgraphen.
Dein zeitbewusster Wissensgraph ist nun eingerichtet und du kannst den darin enthaltenen Daten vertrauen. Wie kannst du auf dieser soliden Datengrundlage geschäftlichen Nutzen schaffen?
Die gewünschten Informationen aus großen Wissensbasen abzurufen, kann schwierig sein. Mehrstufige Retrieval-Agents können dabei helfen. Diese Systeme können die Wissensbasis mithilfe mehrerer verknüpfter Abfragen intelligent durchsuchen und so die relevantesten Informationen für deine Anfrage ermitteln.
Mit zunehmender Skalierung deines Systems wird es entscheidend, die Effizienz zu wahren und die Leistung zu optimieren. Planungskomponenten können das Retrieval effizienter gestalten und die späteren Phasen der Pipeline auf die wichtigen Informationen ausrichten. Auch bessere Such- und Analysewerkzeuge für dein Kernsystem können die Ergebnisse verbessern. Sie ermöglichen komplexere Abfragen großer Wissensgraphen, ohne Geschwindigkeit oder Qualität zu beeinträchtigen.
Bei Implementierungen mit hohem Volumen lässt sich die Leistung deutlich steigern: durch parallele Graphdurchläufe, das Zwischenspeichern häufiger Abfragepfade sowie die weitere Optimierung von Prompts und Fine-Tuning.
Für alle, die einen temporalen Agent entwickeln, haben wir im OpenAI-Cookbook zu temporalen Agents mit Wissensgraphen eine vollständige technische Anleitung als Open Source veröffentlicht. Sie deckt alles von der Extraktionslogik bis zum mehrstufigen Reasoning ab, darunter:
Vollständiger Code und Pipeline-Vorlagen
Empfehlungen zu Modellen und Evaluierungsstrategien
Best Practices für die Skalierung vom Prototyp zum Produktivbetrieb
Temporale Agents verändern, wie KI deine Welt versteht: nicht als Sammlung statischer Fakten, sondern als lebendige, sich entwickelnde Geschichte.
Wenn deine Entscheidungen davon abhängen, wann etwas geschah und nicht nur, was geschah, solltest du zeitliche Zusammenhänge berücksichtigen.
Und du musst das nicht allein umsetzen. Wenn deine Systeme mehr Kontext berücksichtigen, bessere Entscheidungsgrundlagen liefern oder einfach die Realität genauer abbilden sollen, unterstützen wir dich gern.