什么是知识图谱？

知识图谱是如何工作的？

知识图谱将事实表示为三元组：主体、谓词、对象。例如：“Python”通过“是”这一关系与“编程语言”相连。每个节点都可以携带版本、创建者或许可证等属性，每条边则定义了连接的方向和类型。 其结果是一个机器可读的语义网络，能够回答那些需要在相关事实之间进行多次跳转才能解答的问题。

正是这种结构，使得图增强检索在人工智能系统中大有可为。微软研究院于2024年初推出的GraphRAG，将知识图谱中的实体与关系结构叠加在向量检索之上，从而使大型语言模型（LLM）能够回答关于概念之间如何关联的多跳问题，而不仅仅是检索孤立的相似片段（基于图的检索增强生成（GraphRAG），arXiv综述（2025年）。如果没有图层，检索系统虽然可能找出相关段落，却可能会忽略A公司收购了B公司这一事实——而这正是两家公司共享同一API依赖关系的原因。

AI 接地与 GraphRAG。 当大语言模型（LLM）的回答基于结构化的事实来源时，其错误答案的产生率会降低。知识图谱充当了 backbone，将大语言模型可能混淆或虚构的实体联系起来。开发内部 AI 助手的团队会将领域知识图谱集成到其检索管道中，以便模型能够遍历实体间的关联关系，而不仅仅是匹配关键词。

企业搜索与数据集成。 大型组织需要管理分散在CRM系统、数据库和文档中的数据。知识图谱将这些数据源整合到一个语义层中，即使底层数据存储在不同的系统中，也能通过复杂的查询返回正确的结果。

用于知识构建的网络数据管道。 构建知识图谱需要结构化输入：从原始文本或HTML中提取的实体名称、类型及关系。网络爬虫和结构化数据提取为这一过程提供支持。 能够将页面以干净的HTML或Markdown格式返回的API，可以减少实体提取开始前所需的预处理工作量，这也是团队在为知识图谱构建采集网络数据时，会选择Massive的Web Render API这类渲染层的一个实际原因。