Claude erstellt Wissensgraphen ohne lokalen LLM-Server

Ein neues Open-Source-Tool namens Chaos Cypher ermöglicht es Entwicklern, persistente Wissensgraphen unter Verwendung von Claude Code oder anderen Model Context Protocol (MCP)-Clients zu erstellen. Veröffentlicht am 28. September 2026 von Denis MacPherson, verlagert dieser Ansatz die Rechenlast der Entitätsextraktion von einem lokalen Server auf den Assistenten, der bereits im Editor des Entwicklers läuft. Das System validiert jede Aussage gegen den Quelltext, bevor sie in eine lokale Datenbank übernommen wird.

Was passiert ist

Traditionelle Graph Retrieval-Augmented Generation (GraphRAG)-Systeme erfordern in der Regel einen Server zur Hostung eines großen Sprachmodells. Dieses Setup verlangt erhebliche Hardware-Ressourcen wie GPUs für die Dokumentenverarbeitung und die Extraktion von Beziehungen. Chaos Cypher kehrt diese Architektur um. Anstatt dass der Server ein Modell aufruft, führt der clientseitige Assistent die Extraktion durch. Der Server fungiert nur als Speicher- und Validierungsschicht, empfängt strukturierte Daten vom Assistenten und prüft diese gegen den Originaltext.

Der Workflow beginnt, wenn ein Benutzer die Chaos Cypher CLI mit einem MCP-kompatiblen Client wie Claude Code, Cursor oder Claude Desktop verbindet. Der Benutzer weist den Assistenten an, einen Ordner mit Markdown-Dateien zu verarbeiten. Der Assistent liest die Dokumente in Abschnitten, identifiziert Entitäten und Beziehungen und sendet sie zurück an den Server. Der Server führt dann einen Evidenz-Validator aus, um sicherzustellen, dass jede übermittelte Tatsache spezifischen Satznummern im Quelltext entspricht. Wenn die Evidenz nicht übereinstimmt, lehnt der Server den Eintrag ab. Diese Schleife wiederholt sich, bis der Graph aufgebaut ist, was in einer persistenten SQLite-Datenbank resultiert, die Neustarts der Sitzung übersteht.

Wichtige Details

• Die Chaos Cypher CLI erfordert Python 3.14 oder neuer und wird über pipx installiert.
• Die Extraktion erfolgt vollständig durch den clientseitigen Assistenten, was bedeutet, dass der Server kein Sprachmodell ausführt.
• Der Server validiert Übermittlungen durch Prüfung der Satzreferenzen und verwirft jede Entität oder Beziehung, der es an textlicher Evidenz mangelt.
• Der resultierende Graph wird in einer lokalen SQLite-Datenbank gespeichert und kann als .ccx-Paket exportiert werden.
• Multi-Hop-Abfragen werden unter Verwendung von Personalized PageRank und Reciprocal Rank Fusion gelöst, wobei Graph-Traversierung mit Vektorsuche kombiniert wird.
• Das System degradiert elegant zur Schlüsselwortsuche, falls das lokale Embedding-Modell nicht verfügbar ist.

Hintergrund

GraphRAG ist eine Technik, die Standard-Retrieval-Systeme verbessert, indem sie Verbindungen zwischen Konzepten abbildet. Während traditionelle Vektorsuche Dokumente findet, die ähnliche Wörter enthalten, versteht ein Wissensgraph, wie Entitäten miteinander in Beziehung stehen. Dies ermöglicht Multi-Hop-Reasoning, bei dem das System Fragen beantworten kann, die die Verknüpfung disparate Informationen über mehrere Dokumente hinweg erfordern. Zum Beispiel kann es identifizieren, welche Komponenten von einer bestimmten Bibliothek abhängen und welche architektonischen Entscheidungsprotokolle Änderungen an dieser Bibliothek regeln.

Das Model Context Protocol (MCP) ist ein offener Standard, der es KI-Assistenten ermöglicht, sich mit externen Tools und Datenquellen zu verbinden. Durch die Nutzung von MCP erlaubt Chaos Cypher jedem kompatiblen Assistenten, als Intelligenzschicht für den Graphenaufbau zu fungieren. Dies entkoppelt die Reasoning-Fähigkeit von der Speicherinfrastruktur und ermöglicht es Entwicklern, die Modelle zu nutzen, auf die sie in ihren Coding-Umgebungen bereits Zugriff haben, ohne dedizierte Inferenz-Server einzurichten.

Warum es wichtig ist

Für Teams, die ihre eigene Software betreiben, senkt dieser Ansatz die Einstiegshürde für fortgeschrittene Retrieval-Systeme erheblich. Die Wartung eines lokalen LLM-Servers erfordert spezielle Hardware und laufende Instandhaltung. Durch die Auslagerung der Extraktion auf den Client können Entwickler ausgefeilte Wissensdatenbanken auf Standard-Laptops ohne GPUs erstellen. Dies macht es kleinen Teams oder einzelnen Ingenieuren möglich, GraphRAG-Workflows zu implementieren, ohne in teure Infrastruktur zu investieren.

Die Betonung der Evidenzvalidierung adressiert auch eine kritische Sorge im automatisierten Wissensmanagement: Vertrauen. Große Sprachmodelle halluzinieren oft Beziehungen oder missinterpretieren Kontext. Indem Chaos Cypher satzweise Zitate verlangt und diese serverseitig validiert, stellt es sicher, dass der Graph den tatsächlichen Inhalt der Dokumente widerspiegelt. Diese Nachvollziehbarkeit ermöglicht es Teams, abgelehnte Einträge zu inspizieren und zu verstehen, warum bestimmte Fakten ausgeschlossen wurden, was ein höheres Maß an Vertrauen in die abgerufenen Informationen bietet.

Darüber hinaus bedeutet die Persistenz des Graphen, dass Wissen mit der Zeit akkumuliert. Im Gegensatz zu flüchtigen Chat-Sitzungen, bei denen der Kontext nach dem Schließen des Fensters verloren geht, bleibt der Graph für zukünftige Abfragen verfügbar. Dies ermöglicht es Assistenten, komplexe, dokumentübergreifende Fragen zu beantworten, die andernfalls ihre Kontextfenster überschreiten würden. Es verwandelt statische Dokumentation in ein interaktives, abfragbares Asset, das mit dem Projekt wächst.

Was Sie tun können

• Installieren Sie die Chaos Cypher CLI über pipx und stellen Sie sicher, dass Ihre Umgebung Python 3.14 oder später ausführt.
• Verbinden Sie die CLI mit Ihrem bevorzugten MCP-Client, wie Claude Code, im Schreibmodus, um den Graphenaufbau zu aktivieren.
• Beginnen Sie mit einer kleinen Menge an Markdown-Dateien, wie Designnotizen oder Meeting-Zusammenfassungen, um die Extraktionsqualität zu testen.
• Überprüfen Sie die Tool-Logs in Ihrem Editor, um den Extraktionsprozess zu überwachen und zu sehen, welche Sätze jede Entität unterstützen.
• Nutzen Sie die lokale Serverschnittstelle, um den generierten Graphen zu inspizieren, falsche Beziehungen zu bearbeiten und Qualitätsbewertungen anzuzeigen.
• Exportieren Sie den fertigen Graphen als .ccx-Paket, um ihn mit anderen Teammitgliedern zu teilen oder in verschiedene Assistenten zu importieren.