AI 智能体

概念解析——知识图谱

知识图谱(Knowledge Graph)是一种用图结构来组织知识的方式:把人、地点、事件、概念这些"东西"画成节点,把它们之间的"关系"画成连线。它的思路很简单——世界不是由孤立的词组成的,而是由一个个实体和它们之间的关联构成的。


1. 什么是知识图谱

想象你在读这样一句话:"林然任职于星河科技,负责北斗项目。"人脑读这句话时自动做了两件事:提取出三个东西(林然、星河科技、北斗项目),再理解它们之间的关系(任职于、负责)。知识图谱做的就是同一件事——把"东西"和"关系"显式地存下来,让计算机也能像人一样沿着关系链找到答案。

在知识图谱里,每个"东西"叫作实体(Entity),每条"关系"叫作关系(Relation)。实体就是图中一个节点,关系就是两个节点之间的有向边。一组事实在图中就是一个节点连线构成的网络。

示例:
句子"林然任职于星河科技,位于上海,负责北斗项目。"
→ 提取出 4 个实体:林然 · 星河科技 · 上海 · 北斗项目
→ 3 条关系:林然 — 任职于 → 星河科技,星河科技 — 位于 → 上海,星河科技 — 负责 → 北斗项目

知识图谱不是"一张图"的概念,它是一个数据库。你可以往里添加新事实、修改旧事实、删除过期事实。图结构只是它的存储和检索形式——用户可以用结构化的语言查询它,计算机沿着边就能从一个实体跳到另一个相关的实体。


2. 三元组:知识图谱的最小单位

知识图谱里的每条知识,都可以表示为三元组(Triple):主语 — 谓语 — 宾语。主语是起点实体,谓语是关系,宾语是终点实体或属性值。一切更复杂的知识都可以拆成若干条这样的三元组。

示例:
(林然,任职于,星河科技)
(星河科技,位于,上海)
(北斗项目,预算,1200 万)← 宾语也可以是属性值

这种表达方式有两个巨大好处。第一,标准化——不管什么领域的知识,都可以用同一个"主语—谓语—宾语"模板来存,数据库结构不用变。第二,可组合——三元组的宾语可以成为另一个三元组的主语,多条三元组连起来就能推导出新知识。

三元组是知识图谱的"原子"。一句复杂的话被拆成几组"主语—谓语—宾语"之后,计算机就能像拼图一样把分散的事实重新组合起来回答问题。

3. 为什么知识图谱对 AI 很重要

大语言模型通过统计语料中的词汇共现来生成文字,它没有真正"理解"事实。你问它"林然负责什么项目?"它能答对,是因为训练数据里这句话出现了足够多次。但如果你问的是训练数据里没出现过的组合,模型就开始胡编——这就是幻觉。

知识图谱提供的是可验证的精确事实。模型可以从图谱中查到的信息是人工或可靠来源确认过的,不会凭空捏造。所以知识图谱在大模型时代扮演的角色不是替代模型,而是给模型配一本事实词典——模型负责理解问题和组织语言,知识图谱负责提供准确的数据支撑。

具体来说,知识图谱在以下三个方面对 AI 系统有显著帮助:

  • 消减幻觉:模型回答时优先参考图谱中的结构化事实,减少自由发挥的空间。
  • 多跳推理:图谱的图结构天然支持跨实体推导。问"林然所在公司负责什么项目?"不是一个句子查询,而是一段图遍历:找到林然→沿"任职于"到公司→沿"负责"到项目。
  • 可解释性:模型输出的每一个事实都可以溯源到图谱里的一条具体路径,而不是藏在网络权重的黑箱里。
示意图:
问题:林然负责哪个项目?
→ 路径:林然 — 任职于 → 星河科技 — 负责 → 北斗项目
+ 答案:北斗项目(保留了整条推理路径)

4. 知识图谱的构建流水线

从零建一个知识图谱,大致需要三步。

步骤一

实体抽取

从原始文本中识别出命名实体——人名、公司名、地名、产品名等等。这一步通常用命名实体识别(NER)模型来完成。原始文本"林然任职于星河科技,星河科技位于上海"→ 抽取出"林然""星河科技""上海"三个实体。

步骤二

关系抽取与实体链接

识别实体之后,需要判断它们之间是什么关系。这一步可以通过预定义的规则列表或关系抽取模型完成。同时还要做实体链接(Entity Linking)——把同一个实体的不同写法归并起来,比如"星河科技"和"星河科技有限公司"是同一个实体。不做好链接,图谱里就会有大量重复节点,查询结果也会残缺不全。

步骤三

存储与索引

把三元组存入图数据库(如 Neo4j、ArangoDB)或专用的知识图谱存储引擎。图数据库会为每个实体和关系建立索引,支持高效的邻接查询——给定一个实体,快速找出所有与之相连的实体和关系。这一步还需要做本体(Ontology)设计,即定义实体类型和关系类型的层次结构。

这只是一个概略流程。工业级的知识图谱还需要做实体对齐(判断来自不同数据源的两个实体是不是同一个)、事实消歧(同一个名字可能对应不同实体)、时效管理(事实有生效期和失效期)。维护一个知识图谱的成本不低,但一旦建好,它的查询质量和可解释性是纯向量检索难以比拟的。


5. 知识图谱 vs 向量数据库 vs RAG

这三者经常被放在一起比较,因为它们都是大模型获取外部知识的手段,但解决问题的角度不同。

  • 向量数据库:存的是文本片段的嵌入向量。查询时通过向量相似度找到最相关的段落。适合"找内容相似的东西",但不知道这些内容之间有什么逻辑关系。
  • 知识图谱:存的是结构化的实体和关系。查询时沿着图遍历,精准命中事实。适合"问具体的、有关系链条的问题",但需要提前构建好图谱。
  • RAG(检索增强生成):是一个系统架构,不是存储方式。RAG 先用检索找到相关信息(从向量数据库或知识图谱或其他来源),再把检索结果塞给大模型来生成回答。
向量数据库回答"跟这个内容有关的东西有哪些",知识图谱回答"跟这个实体有明确关系的东西有哪些"。前者靠相似度,后者靠精确关系。两者不是谁替代谁的关系,而是互补。

6. GraphRAG:知识图谱与 RAG 的结合

GraphRAG 是"知识图谱 + RAG"的混合方法。标准 RAG 把文档切成段落、转成向量、检索相似片段。GraphRAG 更进一步:它在文档之上建一个轻量级知识图谱,然后基于图结构来组织检索结果。

GraphRAG 的典型流程:

  • 从文档中自动抽取实体和关系,构建图谱。
  • 用户提问时,先定位问题中的实体(林然),然后沿图谱关系扩展到相关实体(星河科技、北斗项目)。
  • 把这些相关实体的上下文信息打包成提示词,交给大模型生成答案。

这样做的优势是:模型不光看到跟问题直接相关的那段文本,还看到了问题实体周围的结构化关联。对于"林然所在公司负责什么项目"这种需要多步推理的问题,GraphRAG 的效果明显优于纯向量检索的 RAG。

GraphRAG 对比纯 RAG:
问题:"林然所在公司负责什么项目?"
纯 RAG:检索"林然""公司""项目"的向量片段 → 可能分散在多篇文档里,拼不出一条完整链。
GraphRAG:定位"林然"→ 沿"任职于"到"星河科技"→ 沿"负责"到"北斗项目"→ 返回完整路径。

7. 主要的知识图谱项目

知识图谱不是纯学术概念,业界已经存在多个大规模、可直接使用的知识图谱:

  • Wikidata:维基媒体基金会维护的开放知识图谱,条目超过 1 亿。所有数据 CC0 协议开放,任何人都可以查询和贡献。它也是维基百科及其他维基项目的结构化数据后端。
  • Google 知识图谱:Google 搜索背后的知识图谱,支撑了搜索结果右侧的信息面板。覆盖数十亿实体,不对外提供完整数据,但可通过 Knowledge Graph API 查询。
  • DBpedia:从维基百科 Infobox 信息框中自动抽取的结构化数据,是最早的大规模开放知识图谱之一。
  • CN-DBpedia:复旦大学研发的中文知识图谱,覆盖中文领域实体,适合中文场景使用。

这些知识图谱通常通过 SPARQL 端点或专用 API 对外提供查询服务。AI 应用接入它们的方式,就是做一个"查询改写"——把用户问题解析成图查询语句,执行查询,把结果带回对话中。


8. 相邻概念

知识图谱不是一个孤立系统。它的价值在使用中体现,你接下来可以顺着这些概念深入:

  • GraphRAG:知识图谱与检索增强生成结合的架构,让图结构直接服务于大模型问答。
  • RAG(检索增强生成):让模型先检索外部知识再回答的系统框架,知识图谱是它的一种检索来源。
  • 向量数据库:存储嵌入向量的专用数据库,与知识图谱形成互补——前者靠相似度,后者靠精确关系。
  • 记忆系统:Agent 的信息持久化机制,知识图谱可以作为长期记忆的结构化存储层。
概念解析 · 人工智能ABC