Dein Agent weiß, was er weiß.
Und woher.
factgraph ist das Wissensgedächtnis für KI-Agenten: Fakten mit Quelle und Zeitfenster, Widersprüche sichtbar statt still überschrieben, jede Antwort reproduzierbar — ohne Sprachmodell im Kern.
23 Werkzeuge · eigener Server in der EU · TLS am Edge (Cloudflare)
Dein Agent erinnert sich nicht nur. Er weiß, was wann galt.
Agenten scheitern selten am Modell — sie scheitern an ihrem Gedächtnis.
Normales Agent-Memory
„CockroachDB.“
PostgreSQL ist überschrieben, der Grund verloren, die Quelle weg.
Mit factgraph
Aktuell: CockroachDB.
Vorher PostgreSQL, Migration im März.
Grund: Connection-Pool-Limit unter Last.
Quelle: Architektur-Entscheidung, 14.03. · Die alte Aussage bleibt als Historie erhalten.
Genau dafür gibt es factgraph. — Beispieldaten
So sieht’s aus
Vier Ansichten auf ein Beispiel-Wissen (synthetisch, gekürzt). Gemessene Zahlen: Benchmarks.
Suche: „Warum ist der Checkout langsamer geworden?“
Fusion aus lexikalisch + semantisch + Graph: jeder Treffer mit Herkunft. Das Ranking ist deterministisch — gleiche Frage, gleicher Korpusstand, gleiche Reihenfolge.
Vorhersage ab connection-pool — Pfad mit Belegen:
— causes (+1 · 0,7) → checkout-latenz
Erwartung: Die Latenz bleibt erhöht, solange das Pool-Limit nicht angepasst ist. (Fenster 7 Tage, ab Stärke 0,5)
Belege: 2 Kanten, jede mit Agent und Quelle. Determinismus: gleiche Eingabe ⇒ gleiches Ergebnis, kein Sprachmodell im Pfad.
Verlauf: checkout-latenz (eine Aussage, zwei Stände)
14.10. ersetzt — Stärke 0,5 (geändert: strength; die alte Version bleibt erhalten)
Jeder Stand bleibt über die Zeitreise abrufbar: „Was galt am 13.10.?“ ist eine beantwortbare Frage — nichts wird still überschrieben.
Widerspruch: zwei Agenten, zwei Aussagen — beide bleiben
✗ „OOM unter Spitzenlast“ — Agent B · 14.10. · Quelle: Incident-Report
Widerspruch markiert, nicht aufgelöst. Beide Belege stehen mit Herkunft daneben; die Namespace-Policy legt nur fest, wie sie gezeigt werden (alle Stände oder „latest-wins“) — die Entscheidung trifft dein Agent.
Was anders ist
Zeit ist explizit
Zwei Achsen: was galt und was wussten wir — mit zitierbaren Ständen.
Widersprüche bleiben sichtbar
Nichts wird still überschrieben: beide Seiten mit Quelle, die Entscheidung trifft dein Agent.
Deterministisch
Gleiche Frage, gleicher Korpusstand ⇒ gleiche Antwort. Keine externen Modell-APIs: Embeddings laufen lokal auf eigener CPU.
Ein Wissenskern
Namespaces und Scopes statt fünf Einzelgedächtnissen — ein System of Record für alle Agenten.
Warum das nötig ist: Die vier Kontext-Fallen — und was die Engine dagegen liefert. Zahlen: Benchmarks.
So funktioniert’s
1 · Verbinden
Dein Agent verbindet sich per MCP-Endpoint und Token — kein SDK, kein Build. Die Engine bringt ihr Playbook selbst mit.
2 · Lernen — dein Agent extrahiert
Er speichert Fakten, die er gelernt hat: Ursache, Abhängigkeit, Entscheidung. Er ist die Extraktionsschicht — factgraph ist kein Autopilot: Dokumente werden nie automatisch zu Fakten. Dafür: keine Extraktionskosten pro Turn und keine Modell-Fehler im Bestand.
3 · Nutzen
Die Engine rechnet: Suche, Verlauf, Vorhersagen entlang der Ursache-Wirkung-Ketten — jede Aussage mit Herkunft belegt, jede Ableitung nachvollziehbar.
Dein Sprachmodell für die Kreation, factgraph für deine harten Daten. Geschäftskritische Fakten dürfen kein statistisches Experiment sein.
Erste Stimmen folgen.
Die Beta läuft gerade an — hier stehen bald echte Rückmeldungen. Eigene Agenten zitieren wir nicht als Kundenstimmen.
Die Engine versteht keine Zeit — sie rechnet mit Zeit. Was als Fakt mit Zeitfenster und Beziehung im Wissen steht, wird berechenbar; Sprache und Weltwissen bleiben beim Modell. Dazwischen sitzt dein Agent: er versteht, sie belegt.
Team-Chat-Hub. Dasselbe Gedächtnis für Menschen: Mattermost unter hub.factgraph.sh · Was der Hub kann
In 60 Sekunden drin
Kein SDK, kein LLM, kein Build. Drei Wege: dein Agent spricht MCP, deine Chat-UI versteht einen Prompt — oder du schaust erst mal mit curl nach.
1 · Agent anbinden (MCP)
{
"mcpServers": {
"factgraph": {
"url": "https://factgraph.sh/mcp",
"headers": { "Authorization": "Bearer ctx_…" }
}
}
}
Ein Token mit Schreib-Scope auf einen Namespace — fertig. Danach stehen 23 Werkzeuge bereit: suchen, Fakten mit Zeitfenstern pushen, Historie, Struktur, Aktivität.
2 · Erst mal nachsehen (curl)
curl -s https://factgraph.sh/healthz
# → {"status":"ok","version":"0.6.1"}
curl -s -H "Authorization: Bearer ctx_…" \
-H "User-Agent: mein-agent/1.0" \
https://factgraph.sh/v1/changelog
User-Agent ist Pflicht — ohne ihn antwortet der Edge-Schutz mit 403. Die häufigste erste Überraschung.
3 · Chat-Agenten per Prompt (Hermes, Slack, Custom)
Chat-UIs lesen keine Konfigurationsdatei — hier ist die Anbindung ein Prompt an den Agenten. Er bleibt winzig, weil die Engine ihr Handbuch selbst mitbringt: initialize liefert die Instruktionen automatisch, ctx_guide das persönliche Playbook.
Du hast ab jetzt Zugriff auf die Context-Engine (factgraph.sh) — unser
deterministisches Wissens-Repository (kein LLM im Kern, alles auditierbar).
VERBINDUNG:
- Endpoint: https://factgraph.sh/mcp · Authorization: Bearer <DEIN_TOKEN>
- Methoden: initialize, tools/list, tools/call
START IN JEDER SESSION:
1. initialize — die Antwort enthält deine Instruktionen automatisch.
2. ctx_guide OHNE Thema — dein Playbook (wer du bist, deine Namespaces,
alle Workflows, Fehler-Recovery). FOLGE SEINEN ANWEISUNGEN.
KERNREGELN:
- DU BIST DIE EXTRAKTIONSSCHICHT: neue Ursache, Abhängigkeit oder
Entscheidung gelernt? ctx_push_facts. Dokumente (ctx_upload/ctx_ingest)
werden NIEMALS von selbst zu Fakten.
- Vor ctx_push_facts IMMER ctx_resolve: kanonische Entity-ID, keine
Near-Duplikate.
- Lernst du Ursache-Wirkung? Als Fakt sichern (sign/strength/lag) —
ctx_infer macht daraus deterministische Vorhersagen.
- 422: der Fehler nennt alle gültigen Werte → korrigieren, erneut pushen.
- 502/503: 2–3 s warten, EINMAL retryen (Deploy-Fenster).
Prompt minimal, Engine trägt ihr Handbuch selbst — neue Werkzeuge und Workflows fließen über das Playbook nach, ohne Prompt-Drift. Token per DM/Secret übergeben, nie im Kanal posten.
4 · Team-Chat-Hub unter hub.factgraph.sh
Mattermost als Chat-Zugang zu deinem Namespace: Beta-Nutzer werden pro Person freigeschaltet und fragen ihr Wissen direkt im Chat ab — die Antworten kommen belegt aus der Engine (Suche, Verlauf, neue Fakten per /ctx remember), ohne LLM im Kern. Der Hub ist ein Client: er sieht genau die Namespaces, für die dein Agent Leserechte hat.
/ctx search kafka doppelkonsum Suche über deine Namespaces
/ctx timeline kafka-verbund Verlauf + Versionen eines Themas
/ctx remember a | core:causes | b Fakt speichern
/ctx whoami Agent, Rechte, Freischaltung
Der Team-Chat läuft (invite-only) parallel zur API; Freischaltung und Entzug hängen am Agenten — entzogen ist entzogen, sofort.
Die Kernschleife in sechs Schritten
Ein Fakt mit valid_from morgen: angekündigt, aber noch nicht gültig. Die Suche zeigt ihn nicht, die Historie schon — und nach dem Zurückziehen bleibt er in der Historie, mit Zeitstempel.
[1] engine up? version=0.8.1 status=ok
[2] deploy log latest: v0.8.1 (2026-11-11)
[3] namespace health version: 0.8.1
[4] push ANNOUNCED fact (valid_from=2026-10-25)
Facts accepted: 1. Graph views update shortly (async).
[5] search (graph:true): fact hit = False ← angekündigte Fakten bleiben draußen
Timeline …:quickstart-demo-fact: 2 entries (current 0, upcoming 1, historical 1)
[6] retract
1 fact(s) retracted … History stays queryable via as_of_valid (bitemporal).
Timeline …: 2 entries (current 0, upcoming 1, historical 1) ← bleibt, per Design
ALL GREEN — 6 steps, zero LLM, namespace left clean.
60 Zeilen, nur Standardbibliothek: curl -O https://factgraph.sh/quickstart.py — live nachgefahren, nicht gerendert.
Woran man beim ersten Mal hängen bleibt
- User-Agent ist Pflicht — sonst 403 vom Edge-Schutz.
- Unbekannte Felder und unbekannte Werkzeug-Argumente werden abgelehnt; die Fehlermeldung nennt die erlaubten. Die API dokumentiert sich selbst.
- Entitäten werden als
namespace:idadressiert; die Tiefe heißtdepth, nichtmax_depth. - Angekündigte Fakten sind in Suche und Nachbarschaft unsichtbar, in der Historie sichtbar (
upcoming) — opt-in anderswo übermodes.graph.include_upcoming. - Zurückziehen ist bitemporal: es setzt das Ende, es löscht nie. Die Historie bleibt abfragbar.
- Die Graph-Sichten sind asynchron — direkt nach dem Push kurz warten.
Deine Agenten.
Im Chat, den alle können.
Mattermost auf hub.factgraph.sh ist der Chat-Zugang zu deinem Wissen:
ein Konto pro Mensch, ein eigener Agent je Person — und jede Antwort kommt belegt aus
deiner Wissens-Engine. Kein LLM im Kern, keine Blackbox: Quellen, Zeitpunkt und offene
Widersprüche stehen in der Antwort.
👤 Ein Konto, ein Agent
Jeder Mensch bekommt sein eigenes Konto und seinen eigenen Agenten. Freigeben lässt sich ein Agent ausdrücklich auch für andere — Eigentum und Nutzung bleiben getrennt.
📎 Belege statt Behauptungen
Jede Aussage nennt Quelle und Zeitpunkt. Widersprüche werden nicht weggeglättet, sondern sichtbar gemacht — mit beiden Quellen.
🧵 Verlauf & Vorhersage
Wie hat sich ein Thema entwickelt, was folgt daraus? Der Verlauf bleibt abfragbar, auch rückwirkend zu einem Stichtag.
🎨 Agenten mit Gesicht
Profilbilder für Menschen und Agenten: im Chat ist sofort klar, wer antwortet. Bilder bleiben bei dir — nichts geht an Dritte.
Zugang zum Hub
Die Beta wird pro Person freigeschaltet: Wir richten dich und deine Agenten ein und legen die Kanäle an.
Deine Daten — kurz und ohne Kleingedrucktes
Was gespeichert wird
- Für den Beta-Zugang: E-Mail und der gewünschte Namespace-Name.
- Was dein Agent pusht: Fakten, Dokumente und Kanten — inklusive Zeitangaben.
- Für den Betrieb: Zugriffsprotokolle (welcher Agent wann was getan hat) und Laufzeit-Messwerte.
Was nicht passiert
- Kein Training mit deinen Daten. Keine Weitergabe an Dritte zu Werbe- oder Analysezwecken.
- Kein Sprachmodell im Kern — deine Inhalte gehen an keinen Modellanbieter.
- Keine Werbe-Tracker, keine Cookies auf dieser Seite.
- Kein „still überschreiben": Zurückziehen setzt ein Ende, es löscht nicht.
Was du kontrollierst
- Zugriff nur über dein Token, begrenzt auf deinen Namespace.
- Das Token erscheint genau 1× bei der Anmeldung und wird gehasht gespeichert.
- Löschung: Fakten ziehst du zurück, Dokumente und Wissensknoten löschst du selbst — 30 Tage rückholbar.
- Kein Lock-in: deinen vollständigen Wissensbestand (Entitäten, Fakten, Quellen) exportierst du jederzeit.
- Details: Datenschutzerklärung · Impressum.
Infrastruktur: eigener Server in der EU; TLS wird am Edge (Cloudflare) terminiert, der Origin steht hinter dem Tunnel — keine offenen Ports 80/443. Betrieben von Seifert Software Solutions, Hamburg.
Gib deinem Agenten ein Gedächtnis, dem man trauen kann.
Erstellt deinen Agenten + eigenen Namespace. Das Token erscheint genau 1×.
Plätze werden geladen …
Lieber erst ausprobieren? In 60 Sekunden testen (curl). Beta ist kostenlos; Preise kommen zum Start der allgemeinen Verfügbarkeit — Beta-Teilnehmer erfahren sie zuerst.