🤖 AI

IdeaForge: A Knowledge Graph-Grounded Multi-Agent Framework for Cross-Methodology Innovation Analysis and Patent Claim Generation

Dieser Beitrag stellt IdeaForge vor, ein auf Wissensgraphen basierendes Multi-Agenten-Framework, das TRIZ-, Design-Thinking- und SCAMPER-Methoden integriert, um methodenübergreifende Erkenntnisse zu synthetisieren, hochvertrauenswürdige Innovationen durch graphbasierte Konvergenz von Ansprüchen zu identifizieren und nachvollziehbare Patententwürfe zu generieren.

Ursprüngliche Autoren: Joy Bose

Veröffentlicht 2026-05-14

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Joy Bose

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, etwas Neues zu erfinden, wie ein neues Smartphone oder eine bessere Methode, eine Bibliothek zu organisieren. Normalerweise verwenden Erfinder eine spezifische „Rezeptur" oder Methode, um auf Ideen zu kommen. Sie könnten eine Methode namens TRIZ verwenden (die nach technischen Widersprüchen sucht), Design Thinking (das sich auf die Bedürfnisse der Nutzer konzentriert) oder SCAMPER (das untersucht, wie man bestehende Dinge verdreht und verändert).

Das Problem, so die vorliegende Arbeit, besteht darin, dass die meisten heutigen KI-Systeme nur eine Rezeptur gleichzeitig verwenden. Sie kochen eine Mahlzeit, servieren sie und werfen dann die Notizen weg. Wenn sie später eine zweite Rezeptur ausprobieren, vergessen sie, was die erste gesagt hat. Das bedeutet, dass die besten Ideen verloren gehen, und es ist schwierig zu erkennen, ob verschiedene Methoden tatsächlich bei derselben großartigen Erfindung übereinstimmen.

IdeaForge ist ein neues System, das entwickelt wurde, um dies zu beheben. So funktioniert es, einfach erklärt:

1. Das gemeinsame Whiteboard (Der Wissensgraph)

Anstatt Notizen wegzuwerfen, verwendet IdeaForge ein riesiges, persistentes digitales Whiteboard namens Wissensgraph (speziell unter Verwendung einer Datenbank namens FalkorDB).

Betrachten Sie dieses Whiteboard als eine Karte. Jedes Mal, wenn ein KI-Agent (ein spezialisiertes Computerprogramm) etwas denkt, zeichnet er einen Punkt (einen Knoten) und verbindet ihn mit einer Linie (einer Kante) mit anderen Punkten.
Ein Agent zeichnet einen „Problem"-Punkt. Ein anderer zeichnet einen „Nutzerbedarf"-Punkt. Ein weiterer zeichnet einen „Technische Lösung"-Punkt.
Entscheidend ist: Alle zeichnen auf derselben Karte. Sie löschen die Arbeit der anderen nicht; sie bauen darauf auf.

2. Das Team von Spezialisten (Die Agenten)

IdeaForge stellt drei verschiedene „Expertenköche" ein, die jeweils ihren eigenen Stil haben, um an demselben Problem zu arbeiten:

Der TRIZ-Agent: Sucht nach technischen Widersprüchen (z. B. „Wir wollen es stärker, aber leichter") und findet Ingenieursprinzipien, um sie zu beheben.
Der Design-Thinking-Agent: Betrachtet die menschliche Seite (z. B. „Wer verwendet dies? Was bereitet ihnen Schmerzen?").
Der SCAMPER-Agent: Untersucht, wie man die Idee verdreht (z. B. „Was wäre, wenn wir das Material austauschen?" oder „Was wäre, wenn wir den Prozess umkehren?").

Jeder Agent fügt seine eigenen einzigartigen Ideen zum gemeinsamen Whiteboard hinzu.

3. Der „Aha!"-Moment (Konvergenz)

Dies ist der größte Trick der Arbeit. Nachdem alle drei Agenten ihre Arbeit erledigt haben, sucht das System nach Übereinstimmung.

Stellen Sie sich vor, der TRIZ-Agent zieht eine Linie zu einer Lösung. Der Design-Thinking-Agent zieht ebenfalls eine Linie zu einer sehr ähnlichen Lösung. Der SCAMPER-Agent macht dasselbe.
Das System verbindet diese drei Linien mit einem speziellen roten Faden namens KONVERGENTER Beziehung.
Die Logik: Wenn drei verschiedene Experten, die drei verschiedene Denkweisen verwenden, unabhängig voneinander auf dieselbe Idee stoßen, ist diese Idee wahrscheinlich eine wirklich gute, starke Erfindung. Es ist so, als würden drei verschiedene Detektive, die unterschiedliche Hinweise verwenden, alle auf denselben Verdächtigen zeigen; dann wissen Sie, dass Sie auf etwas Echtes gestoßen sind.

4. Die Wertungstabelle (InnovationScore)

Das System rät nicht einfach, welche Idee die beste ist; es vergibt Punkte.

Hohe Punktzahl: Eine Idee, der alle drei Agenten zugestimmt haben (Konvergenz), erhält eine hohe Punktzahl.
Mittlere Punktzahl: Eine Idee, die von zwei Agenten unterstützt wird, erhält eine mittlere Punktzahl.
Niedrige Punktzahl: Eine Idee, auf die nur ein Agent gekommen ist, erhält eine niedrigere Punktzahl.
Es überprüft auch, ob die Idee durch bestehende Arbeiten (Stand der Technik) „herausgefordert" wurde, und senkt die Punktzahl etwas, falls dies der Fall ist, nur um auf der sicheren Seite zu sein.

5. Das Patent schreiben (Der Entwurf)

Schließlich schreibt das System einen Patententwurf. Aber es bittet die KI nicht einfach, „ein Patent zu schreiben". Stattdessen betrachtet es die höchste bewertete Idee auf dem Whiteboard und verfolgt den Pfad zurück, um zu sehen, warum sie ausgewählt wurde.

Es sagt: „Hier ist der Anspruch. Er wird durch dieses technische Prinzip, dieses Nutzerbedürfnis und diese Transformation gestützt."
Dies macht den Patententwurf nachvollziehbar. Sie können den genauen Denkweg sehen, der zur Idee geführt hat, anstatt nur einen zufälligen Text zu erhalten, der von einem Computer generiert wurde.

Das Experiment: Ein Rechtsassistent für ländliches Indien

Um dies zu testen, verwendeten die Forscher eine spezifische Idee: Ein sprachbasiertes Rechtsassistenzsystem für Menschen in ländlichen Regionen Indiens, die Hindi sprechen.

Sie ließen die drei Agenten daran arbeiten.
Ergebnis: Alle drei Agenten kamen auf sehr ähnliche Kernideen (auch wenn sie diese unterschiedlich beschrieben).
Das System verband sie mit den roten „konvergenten" Fäden.
Das System berechnete eine hohe Punktzahl für diese Idee aufgrund der Übereinstimmung.
Anschließend generierte es einen strukturierten Patententwurf basierend auf dieser hochvertrauenswürdigen Übereinstimmung.

Was die Arbeit nicht behauptet

Sie behauptet nicht, dass die von ihr verfassten Patente rechtlich gültig oder zur Einreichung vor Gericht bereit sind. Die Autoren geben ausdrücklich an, dass dies „Forschungsprototypen" sind und von einem echten Anwalt geprüft werden müssen.
Sie behauptet nicht, dass die KI ein genialer Erfinder für sich allein ist. Der Wert ergibt sich aus der Struktur des Vergleichs verschiedener Methoden, nicht nur aus der rohen Leistung der KI.
Sie behauptet nicht, alle ethischen Fragen gelöst zu haben (wie z. B. die Erteilung von Rechtsberatung an Menschen, die die Risiken möglicherweise nicht verstehen).

Zusammenfassung

IdeaForge ist wie ein Besprechungsraum, in dem drei verschiedene Arten von Experten (Ingenieure, User-Experience-Designer und kreative Verdrehmeister) gezwungen werden, ihre Ideen auf dasselbe riesige Whiteboard zu schreiben. Das System hebt dann die Ideen hervor, bei denen alle drei Experten zufällig übereingestimmt haben. Es nutzt diese Übereinstimmung als Signal dafür, dass die Idee stark ist, und verwendet diesen Nachweis, um einen besseren, logischeren Patententwurf zu schreiben. Es verwandelt „Raten" in „Triangulation".

Technische Zusammenfassung: IdeaForge

Problemstellung

Aktuelle KI-gestützte Innovationssysteme stützen sich überwiegend auf Ansätze mit einzelnen Methodologien (z. B. TRIZ oder Design Thinking), die durch sequenzielle promptbasierte Workflows ausgeführt werden. Diese Systeme leiden unter einer grundlegenden strukturellen Einschränkung: Sie bewahren keine Zwischenzustände der Schlussfolgerung. Folglich bleiben Erkenntnisse, die über verschiedene Methodologien hinweg generiert werden, fragmentiert und fehlen es an Nachverfolgbarkeit, Synthese und systematischer Bewertung der Neuheit. Die endgültigen Patententwürfe werden häufig direkt aus rohen Ausgaben von Large Language Models (LLM) generiert, anstatt aus einer strukturierten, fundierten Analyse, was zu isolierten Ergebnissen führt, die niemals formal abgeglichen werden.

Methodik: Das IdeaForge-Framework

IdeaForge adressiert diese Einschränkungen, indem es Innovation Methodologien als heterogene Schlussfolgerungsoperatoren behandelt, die über einen gemeinsamen, persistenten Wissensgraphen (KG) agieren. Das Framework integriert drei verschiedene Methodologien – TRIZ, Design Thinking und SCAMPER – durch spezialisierte Agenten, die über eine FalkorDB-Graphdatenbank operieren.

Systemarchitektur

Die Pipeline besteht aus acht Schritten:

Problem-Verarbeitung: Eine rohe Idee wird in einen Problem-Knoten im Graphen umgewandelt.
Ausführung spezialisierter Agenten:
- TRIZ-Agent: Identifiziert technische Widersprüche (verbessernde/verschlechternde Parameter) und wählt Erfinderprinzipien aus, wodurch Contradiction, Principle und Claim-Knoten generiert werden.
- Design-Thinking-Agent: Generiert User-Personas, Jobs-to-be-done und „How-Might-We"-Fragen und erstellt UserNeed- und Claim-Knoten.
- SCAMPER-Agent: Wendet systematische Transformationen (Substitute, Combine, Adapt, etc.) an, um Transformation- und Claim-Knoten zu generieren.
- Prior-Art-Agent: Durchsucht arXiv nach verwandten Arbeiten und erstellt PriorArt-Knoten, die spezifische Ansprüche hinterfragen.
Konvergenzerkennung: Ein Embedding-Synthese-Agent berechnet die Kosinusähnlichkeit zwischen Ansprüchen aus verschiedenen Methodologien unter Verwendung von Sentence-Transformer-Embeddings. Ansprüche aus unterschiedlichen Methodologien, die einen Ähnlichkeitsschwellenwert (Standard 0,65) überschreiten, werden über eine neuartige CONVERGENT-Kante verknüpft.
Rangfolge: Eine InnovationScore-Formel ordnet Ansprüche basierend auf konvergenter Unterstützung, Methodologievielfalt, Anspruchsstärke und Prior-Art-Strafen ein.
Patententwurf: Ein Patent-Agent ruft die am höchsten bewerteten Ansprüche und ihre unterstützenden Subgraphen (Widersprüche, Prinzipien, Benutzerbedürfnisse) ab, um einen strukturierten Patententwurf zu generieren und sicherzustellen, dass jeder Anspruch auf den KG zurückführbar ist.

Wissensgraph-Schema

Der Graph nutzt acht Knotentypen (Problem, Contradiction, Principle, UserNeed, Transformation, Analogy, PriorArt, Claim) und acht Kantentypen. Die Kerninnovation ist die CONVERGENT-Kante, die Ansprüche aus verschiedenen Methodologien verbindet, wenn sie semantisch ähnlich sind. Dies implementiert eine „strukturelle Triangulierung", bei der die unabhängige Herleitung eines ähnlichen Anspruchs durch mehrere Schlussfolgerungsrahmen als Signal für Nicht-Offensichtlichkeit dient.

Bewertungsmechanismus

Der InnovationScore ist eine gewichtete heuristische Formel:
$Score = w_1 \cdot \text{norm}(\text{convergent\_count}) + w_2 \cdot \text{norm}(\text{diversity}) + w_3 \cdot \text{claim\_strength} - w_4 \cdot \text{norm}(\text{prior\_art\_challenges})$

Konvergente Anzahl (0,4): Höchste Gewichtung, priorisiert Ansprüche, die von mehreren Methodologien unterstützt werden.
Methodologievielfalt (0,3): Belohnt Ansprüche, die in heterogenen Perspektiven fundiert sind.
Anspruchsstärke (0,2): Basierend auf der strukturellen Strenge der generierenden Methodologie (TRIZ > DT > SCAMPER).
Prior-Art-Strafe (0,1): Eine konservative Strafe basierend auf der Keyword-Überschneidung mit arXiv-Literatur.

Hauptbeiträge

Persistenter Innovationsgraph: Ein Schema, das mehrere Knotentypen umfasst und Zwischenzustände der Schlussfolgerung über Methodologiedurchläufe hinweg bewahrt, im Gegensatz zu sequenziellen Prompt-Ketten.
Methodologieübergreifende Konvergenz: Ein Mechanismus, der auf Ähnlichkeit basierenden Embeddings verwendet, um Ansprüche zu erkennen und zu verknüpfen, die unabhängig voneinander von TRIZ, Design Thinking und SCAMPER über CONVERGENT-Kanten abgeleitet wurden.
InnovationScore: Eine prinzipielle Rangfolgeformel, die die Stärke von Patentkandidaten quantifiziert, basierend auf der Übereinstimmung mehrerer Methodologien anstatt auf der Ausgabe eines einzelnen Agenten.
KG-fundierter Entwurf: Ein Patentgenerierungs-Workflow, der Entwürfe aus strukturierten Subgraphen konstruiert und die Abhängigkeit von unbeschränkter LLM-Generierung reduziert.
MCP-Integration: Ein MCP-Server, der Graph-Tools für externe Agenten und IDEs verfügbar macht und modulare agentische Workflows ermöglicht.

Experimentelle Ergebnisse

Das Framework wurde an einem sprachbasierten Rechtsassistenten für ländliches Indien und fünf weiteren Domänen (Gesundheitswesen, EdTech, Landwirtschaft, Barrierefreiheit) evaluiert.

Graph-Ausgabe: Die Pipeline generierte konsistent strukturierte Graphen (z. B. 16 Knoten, 10 Kanten), die distincte Ansprüche aus jeder Methodologie enthielten.
Konvergenz: In vier von fünf Domänen konvergierten alle drei Methodologien auf semantisch ähnliche Innovationsrichtungen (3 konvergente Paare), mit Kosinusähnlichkeiten im Bereich von 0,817 bis 0,837. Die Gesundheitsdomäne zeigte eine geringere Konvergenz (1 Paar), was die Fähigkeit des Systems demonstriert, echte Divergenzen in Schlussfolgerungsrahmen zu erkennen.
Vergleich: Im Vergleich zu Baselines mit einzelnen Methodologien produzierte IdeaForge reichhaltigere, besser nachverfolgbare Innovationskandidaten. Einzelne Methodologieläufe verpassten kritische Dimensionen (z. B. verpasste TRIZ-only die Benutzerzugänglichkeit; Design-Thinking-only fehlte die technische Spezifität), während die vollständige Pipeline diese Perspektiven synthetisierte.
Robustheit: Das System funktionierte effektiv mit TinyLlama (1,1 Mrd. Parameter), was zeigt, dass der Wert des Frameworks in der graphstrukturierten, methodologieübergreifenden Analyse liegt und nicht in der rohen LLM-Fähigkeit.

Bedeutung und Ansprüche

Die Arbeit postuliert, dass Konvergenz über unabhängige Schlussfolgerungsmethodologien hinweg ein prinzipielles Signal für Nicht-Offensichtlichkeit ist. Wenn TRIZ (Widerspruchslösung), Design Thinking (Benutzerbedürfnisse) und SCAMPER (systematische Transformation) unabhängig voneinander semantisch ähnliche Ansprüche produzieren, ist die Wahrscheinlichkeit, dass die zugrunde liegende Innovation sowohl technisch valide als auch benutzerrelevant ist, signifikant höher.

IdeaForge beansprucht, das Feld der computergestützten Kreativität und der erklärbaren KI-gestützten Erfindung voranzubringen durch:

Den Übergang von isolierten, sequenziellen Prompt-Workflows zu einem graph-nativen Innovationssystem.
Die Bereitstellung von Nachverfolgbarkeit für jeden Patentanspruch zurück zu spezifischen Schlussfolgerungspfaden (z. B. Problem → Widerspruch → Prinzip → Anspruch).
Das Angebot eines diskriminierenden Filters, der echte methodologische Übereinstimmungen an die Oberfläche bringt, während er gleichzeitig Ideen korrekt identifiziert, bei denen die Rahmenwerke divergieren.

Einschränkungen und Bescheidenheit:
Die Autoren stellen ausdrücklich fest, dass IdeaForge ein Forschungsprototyp ist. Es wird nicht beansprucht, rechtlich gültige Patentanmeldungen zu produzieren. Der InnovationScore ist eine Heuristik, keine rechtliche Bewertung der Neuheit. Die Prior-Art-Suche ist auf arXiv beschränkt und verpasst gewerbliche Patente, und das System ist von der Qualität der LLM abhängig, wobei kleinere Modelle eine Fallback-Logik erfordern. Das Framework ist darauf ausgelegt, die menschliche Innovationsanalyse zu ergänzen, nicht den professionellen rechtlichen Review zu ersetzen.