Die bestehenden Definitionen von Graphkonvolutionen, sei es aus räumlicher oder spektraler Perspektive, sind unflexibel und nicht einheitlich. Die Definition eines allgemeinen Konvolutionsoperators im Graphenbereich ist aufgrund des Mangels an kanonischen Koordinaten, der Anwesenheit von irregulären Strukturen und den Eigenschaften von Graphensymmetrien herausfordernd. In dieser Arbeit schlagen wir einen neuen und allgemeinen Rahmen für Graphkonvolutionen vor, indem wir die Kerne als stetige Funktionen von Pseudo-Koordinaten parametrisieren, die durch die positionale Kodierung von Graphen abgeleitet werden. Wir nennen diesen Ansatz Continuous Kernel Graph Convolution (CKGConv). Theoretisch zeigen wir, dass CKGConv flexibel und ausdrucksstark ist. CKGConv umfasst viele bestehende Graphkonvolutionen und zeigt eine stärkere Ausdrucksfähigkeit, vergleichbar mit Graph-Transformern hinsichtlich der Unterscheidung nicht-isomorpher Graphen. Empirisch demonstrieren wir, dass CKGConv-basierte Netze bestehende graphkonvolutive Netze übertrumpfen und sich in verschiedenen Graphendatensätzen vergleichbar gut wie die besten Graph-Transformers verhalten. Der Code und die Modelle sind öffentlich unter https://github.com/networkslab/CKGConv verfügbar.