什么是知识图谱？

知识图谱（Knowledge Graph）是一种用“图”的结构来组织和管理知识的技术。它把现实世界中的事物——人物、公司、地点、概念等，统称为“实体”——连同实体之间的关系，拆解成一条条最小的知识单元，即三元组，形如“实体A—关系—实体B”。

举几个例子：「姚明—出生于—上海」「上海—属于—中国」「姚明—职业—篮球运动员」。把成千上万条这样的三元组连接起来，就形成一张巨大的语义网络：节点是实体，边是关系。机器顺着这张网“顺藤摸瓜”，就能回答“姚明的家乡在哪个国家”这类需要多步推理的问题。

一句话理解：普通数据库像“Excel 表格”，一行行记录事实；知识图谱则像一张“关系网络图”，不仅记录事实，还记录事实之间的联系。

“知识图谱”这一概念由谷歌于 2012 年正式提出，最初用于提升搜索引擎的语义理解能力，如今已成为搜索、问答、风控、推荐等智能系统的核心基础设施之一。

知识图谱是怎么运作的？

第一步：知识抽取

从网页、文档、数据库等数据源中识别实体（命名实体识别）和实体之间的关系（关系抽取），生成原始三元组。例如从新闻“雷军创办了小米”中，可以抽取出「雷军—创办—小米」。

第二步：知识融合

同一个实体往往有多种写法，如“小米”“小米科技”“Xiaomi”，需要通过实体对齐、消歧和去重，把不同来源的知识合并成一张一致、干净的图。

第三步：存储与推理

三元组被写入图数据库，再借助图查询、规则推理或图神经网络，实现多跳查询与隐含关系发现。例如由“A 的导师是 B”和“B 获得过图灵奖”，可以推出“A 的导师是图灵奖得主”。

知识图谱与大语言模型的对比

代表产品与工具

国产大模型与智能助手

• DeepSeek（深度求索）：模型开源、可本地部署，常与知识图谱、GraphRAG 结合搭建企业知识库，成本低、数据可控。
• Kimi（月之暗面）：长文本能力突出，适合先通读长文档再抽取实体关系，是建图的好帮手。
• 通义千问（阿里）：与阿里云图数据库等云服务生态打通，配套 GraphRAG 方案，适合企业级落地。
• 智谱清言（智谱 AI）：智谱源自清华大学知识工程实验室，GLM 系列模型广泛用于知识抽取与智能问答。
• 豆包（字节跳动）：面向大众的 AI 助手，背后依托字节跳动强大的内容理解与知识组织能力。

图数据库与图谱平台

• TuGraph：蚂蚁集团开源的高性能图数据库，在国内金融、政务场景应用广泛。
• 阿里云 GDB、华为云 GES、腾讯云图数据库：主流云厂商的托管图服务，开箱即用、免运维。
• Neo4j：全球最知名的原生图数据库，社区版免费、资料丰富，适合入门练手。
• GraphRAG：微软开源的“图谱+检索增强”框架，让大模型基于知识图谱回答问题，是当前最热门的融合方案之一。

典型应用场景

1. 智能搜索：搜索引擎直接给出“答案卡片”而不是网页列表，背后靠的就是知识图谱。
2. 金融风控：把账户、设备、交易连成一张图，识别团伙欺诈、担保圈等隐藏关联。
3. 医疗健康：构建疾病—症状—药品图谱，辅助诊断、用药审查与新药研发。
4. 企业知识库与智能客服：把产品资料、售后政策建成图谱，回答准确、可追溯、无幻觉。
5. 推荐系统：利用用户—商品—内容之间的关联，实现可解释的精准推荐。
6. 公安与司法：串联人员、案件、资金等线索，辅助情报研判与案件分析。

常见问题

知识图谱会被大语言模型取代吗？

不会，两者是互补关系。大模型擅长理解与生成语言，但知识更新慢、存在幻觉；知识图谱精确、可追溯、易更新，但构建成本高。当前主流趋势是“图谱+大模型”融合：用大模型自动抽取三元组、降低建图成本，再用图谱为大模型的回答提供事实依据，GraphRAG 正是代表方案。

普通人或中小企业能用上知识图谱吗？

可以。普通用户每天都在间接使用它——搜索、导航、电商推荐背后都有图谱的身影。企业可以借助开源工具（Neo4j、TuGraph 等）加国产大模型 API，把内部文档、工单等数据自动建成知识库，以 GraphRAG 方式接入 DeepSeek 或通义千问，几周内就能搭起可用的智能问答系统。

知识图谱和思维导图、传统数据库有什么区别？

思维导图是给人看的层级笔记；传统数据库用表格存数据，擅长记录但不擅长表达关系；知识图谱则是面向机器的语义网络，专门刻画实体间复杂的多对多关联，支持多跳推理，是让 AI 真正“理解世界”的知识底座。