什么是知识图谱？让 AI 看懂实体与关系的知识网络

一份文档可以告诉 AI “某公司在某年发布了某产品”，但很难让它稳定回答“这个产品属于哪条业务线、负责人是谁、与哪些合同有关”。因为文档是线性的，现实信息却是相互连接的。

**知识图谱（Knowledge Graph）**用“实体 + 关系”把这些连接显式保存下来：公司—发布→产品，产品—属于→业务线，员工—负责→产品。它让系统不只匹配词，还能沿着关系推理和追溯。

一句话理解：把资料变成一张关系网

知识图谱的基本单位是三元组：

主体 — 关系 — 客体

例如“北京—是中国的→首都”“订单 123—属于→客户 A”。主体和客体叫实体，箭头叫关系；实体还可以带属性，例如订单金额、发布时间、数据来源。

这样组织后，系统可以回答“客户 A 的所有订单”“某产品关联的全部文档”，而不必每次从大量文本里重新猜。

和 RAG、向量数据库有什么不同

方法	擅长回答什么	主要组织方式
知识图谱	谁和谁有关、关系如何传递	实体与关系
RAG	文档中具体怎么说	检索文本片段
向量数据库	哪段内容语义最相似	向量距离

它们不是互斥关系。一个常见组合是：向量检索找相关原文，知识图谱补实体关系和权限范围，再把两者交给模型生成带引用的答案。基础检索流程可参见什么是 RAG。

哪些场景适合

• 企业组织、产品、合同、客户之间关系复杂
• 风控、反欺诈、供应链等需要多跳追踪
• 需要回答“谁负责什么”“这项变更会影响谁”
• 数据来源多，但实体可以被统一识别

如果只是问一本说明书里的具体段落，知识图谱未必比普通 RAG 更划算。图谱的价值来自“关系”，不是把所有文字换一种存储方式。

最大难点：实体不是天然干净的

“张三”“张总”“Zhang San”可能是同一个人；两个同名公司可能完全不同。建立图谱需要实体消歧、关系定义、数据更新和来源追踪。若基础数据不可靠，连得越多，错误传播得越远。

因此每条关系最好保留来源、时间和置信度。AI 生成的关系尤其要经过规则或人工抽查，不能把一次抽取结果当作永久事实。

总结

知识图谱把信息从“文档里有什么”提升到“谁与谁有什么关系”。它适合关系复杂、需要追溯和多跳查询的知识场景；RAG 擅长找原文，图谱擅长连关系。两者配合，才能让 AI 的回答既有上下文，也有结构化的事实支撑。