GraphRAG 知识图谱

RAG 与知识图谱融合、向量检索、实体关系图谱与文档智能 -- 共 39 篇

配套练习 闪卡 10 张 测验 8 题
难度筛选

GraphRAG

S 进阶 约 36 分钟

Microsoft GraphRAG 工程化实践：从论文到生产部署

Microsoft GraphRAG 工程化实践：从论文到生产部署 本文从工程视角系统拆解 Microsoft Research 提出的 GraphRAG 架构，覆盖论文核心思想、四阶段 Pipeline、与传统 RAG 的量化对比、LangChain/LlamaIndex 实现、Neo4j + 向量数据库双后端生产架构、性能调优策略，以及企业级落地案例。目标读者：已有 RAG...

S 进阶 约 9 分钟

Neo4j 企业级部署与性能调优

Neo4j 企业级部署与性能调优 概述 Neo4j 是目前市场份额最大的原生图数据库，其 ACID 事务支持、Cypher 查询语言和成熟的生态系统使其成为企业级知识图谱的首选存储引擎。本文覆盖从集群部署、索引策略、查询优化到生产监控的完整工程实践。 版本选型与部署模式 版本对比 特性 Community Edition Enterprise Edition 价格 免费 商业授权 集群模式...

S 进阶 约 7 分钟

Neo4j实战：AI应用中的图数据库

Neo4j实战：AI应用中的图数据库 Cypher查询基础、图建模模式、GDS算法、向量索引与LLM集成工程指南 引言...

S 进阶 约 8 分钟

Neo4j实战：从建模到查询优化

Neo4j实战：从建模到查询优化 Neo4j是全球最流行的图数据库，广泛应用于社交网络、推荐系统、知识图谱和欺诈检测。本文从数据建模、Cypher查询、索引策略到性能调优，提供一份完整的Neo4j实战指南。 一、图数据库基础 1.1 为什么选择图数据库 关系型数据库 vs 图数据库： 关系型（表格模式）： 用户表 ←JOIN→ 好友关系表 ←JOIN→ 用户表 JOIN操作随着关系深度指数级增加...

S 进阶 约 9 分钟

企业知识图谱落地方法论

企业知识图谱落地方法论 企业知识图谱从概念到生产落地之间存在巨大鸿沟。本文基于真实项目经验，提供一套完整的企业知识图谱落地方法论，涵盖需求评估、ROI计算、架构设计、实施路线图与运维治理。 一、企业知识图谱价值定位 1.1 知识图谱解决什么问题 企业知识管理的三大痛点： 1. 知识孤岛 ├── 各系统数据不互通 ├── 部门间信息不共享 └── 知识 = 数据 + 关系 +...

S 进阶 约 11 分钟

企业知识图谱落地路线图

企业知识图谱落地路线图 从数据审计到生产运营：团队组建、技术选型、分阶段交付与成功度量全流程 引言...

S 入门 约 11 分钟

图数据库选型指南：Neo4j vs TigerGraph vs NebulaGraph

图数据库选型指南：Neo4j vs TigerGraph vs NebulaGraph 选型的核心问题 图数据库市场从 2020 年开始快速增长，主流产品已超过 30...

S 进阶 约 7 分钟

图数据库选型：Neo4j、ArangoDB、TigerGraph、NebulaGraph

图数据库选型：Neo4j、ArangoDB、TigerGraph、NebulaGraph 图数据库市场正在快速增长，不同产品在架构理念、查询语言、扩展性和生态成熟度上差异显著。本文从技术架构、性能基准、生态系统、成本和适用场景等维度，对四款主流图数据库进行深度对比。 一、图数据库市场概览 1.1 市场格局 图数据库市场份额（2025年，估算）： Neo4j:...

S 进阶 约 10 分钟

图神经网络在知识图谱中的应用

图神经网络在知识图谱中的应用 GCN/GAT/R-GCN用于知识图谱补全、链接预测、节点分类与PyTorch Geometric实现 引言 图神经网络（Graph Neural Network,...

S 进阶 约 41 分钟

多智能体 GraphRAG：Agent 驱动的知识图谱检索

多智能体 GraphRAG：Agent 驱动的知识图谱检索 从被动检索到主动探索——当 AI Agent 学会在知识图谱中自主导航 引言：RAG 的第三次进化 检索增强生成（Retrieval-Augmented Generation, RAG）经历了三个阶段。第一阶段是朴素 RAG：把文档切片、向量化、top-k 召回，拼接到 prompt 里让 LLM 回答。第二阶段是...

S 进阶 约 10 分钟

多模态知识图谱构建方法论

多模态知识图谱构建方法论 为什么需要多模态知识图谱 传统知识图谱主要从文本中抽取结构化知识，但企业级场景中的信息载体远不止文本：产品图片、操作视频、工程图纸、会议录音、监控画面都蕴含丰富的实体和关系。多模态知识图谱（Multimodal Knowledge Graph, MMKG）将文本、图像、视频、音频等多种模态统一编码到同一张图中，实现跨模态的知识检索与推理。 多模态知识图谱架构...

S 进阶 约 10 分钟

大语言模型驱动的知识图谱补全

大语言模型驱动的知识图谱补全 问题定义 知识图谱天然是不完整的。即使经过大规模自动抽取，图谱中仍存在大量缺失的实体、关系和属性。知识图谱补全（Knowledge Graph Completion, KGC）的目标是推断出图谱中应该存在但尚未被记录的事实。 大语言模型（LLM）为这一问题带来了范式转换：从传统的基于嵌入的链接预测，转向基于语言理解的推理补全。 传统方法 vs LLM 方法...

S 进阶 约 7 分钟

实体消解技术详解

实体消解技术详解 字符串匹配、嵌入方法、LLM消解与分块策略：大规模实体对齐工程实践 引言 实体消解（Entity Resolution,...

S 进阶 约 13 分钟

时序知识图谱：动态关系建模

时序知识图谱：动态关系建模 时序三元组、时间感知嵌入、事件图谱、变化检测与时序推理的工程实践 引言 传统知识图谱是静态的——它记录"张三在A公司工作"，却无法表达"张三2020年到2023年在A公司工作，2023年后跳槽到B公司"。现实世界的知识天然具有时间维度：关系会建立和终止，属性会变化，事件有先后因果。时序知识图谱（Temporal Knowledge Graph,...

S 进阶 约 11 分钟

本体工程：Schema设计方法论

本体工程：Schema设计方法论 本体设计模式、上层本体、领域建模、Schema演化策略与工具链工程实践 引言 本体（Ontology）是知识图谱的骨架——它定义了"这个世界由哪些类型的实体组成、它们之间可以有什么关系、每种关系有什么约束"。一个设计良好的本体能让图谱自解释、易扩展、可推理；而一个随意堆砌的Schema会让图谱迅速退化为一堆无组织的节点和边。本体工程（Ontology...

S 进阶 约 9 分钟

本体工程：知识图谱的Schema设计

本体工程：知识图谱的Schema设计 本体（Ontology）是知识图谱的骨架，决定了图谱能表达什么知识、回答什么问题。本文从本体基本概念出发，介绍OWL/RDF标准、设计方法论和常见模式，帮助实践者设计出高质量的知识图谱Schema。 一、本体基础概念 1.1 什么是本体 本体 = 对某个领域中概念及其关系的形式化表达 类比理解： 数据库Schema ≈ 定义表结构（列名、类型、约束）...

S 提升 约 11 分钟

知识图谱与 Agent 系统的深度集成

知识图谱与 Agent 系统的深度集成 为什么 Agent 需要知识图谱 大语言模型驱动的 Agent 系统面临三个根本性挑战：幻觉（生成不存在的事实）、遗忘（上下文窗口有限）、推理断裂（无法做多跳逻辑推理）。知识图谱为 Agent 提供了结构化的外部记忆和推理基础设施，是 Agent 从"对话玩具"走向"可靠工具"的关键基础设施。 Agent + KG 架构全景...

S 进阶 约 8 分钟

知识图谱与LLM融合：GraphRAG实战

知识图谱与LLM融合：GraphRAG实战 GraphRAG将知识图谱的结构化推理能力与LLM的自然语言生成能力深度融合，解决了传统RAG在多跳推理、全局摘要和事实一致性上的不足。本文基于Microsoft GraphRAG和LlamaIndex的实现，提供从原理到代码的完整实战指南。 一、为什么需要GraphRAG 1.1 传统RAG的局限 传统向量RAG流程： 问题 → 向量化 →...

S 进阶 约 8 分钟

知识图谱与大模型融合实践

知识图谱与大模型融合实践 KG增强LLM、Graph-based RAG、实体链接与知识锚定：减少幻觉的工程路径 引言 大语言模型的"幻觉"问题——即自信地生成与事实不符的内容——是阻碍其在高可靠性场景落地的核心障碍。知识图谱作为结构化的事实存储，天然具备"可验证性"和"可追溯性"，是对抗幻觉的有力武器。本文将系统阐述知识图谱与大模型融合的四种核心模式及其工程实现。 融合模式概览 四种融合范式...

S 进阶 约 8 分钟

知识图谱在RAG系统中的应用实践

知识图谱在RAG系统中的应用实践 背景与动机 传统 RAG（Retrieval-Augmented Generation）系统依赖向量检索从文档块中召回上下文，再交给大语言模型生成答案。这种架构在处理事实性问答时表现良好，但面对需要多跳推理、关系推断、全局摘要的场景，纯向量 RAG 的局限性暴露无遗。 知识图谱（Knowledge Graph, KG）的引入，为 RAG...

S 进阶 约 8 分钟

知识图谱在智能客服中的应用

知识图谱在智能客服中的应用 智能客服是知识图谱最成熟的落地场景之一。通过将FAQ、产品知识、业务流程结构化为图谱，客服系统能够实现精准意图识别、多跳推理式问答和个性化服务。本文从架构设计、知识建模、核心算法到效果评估，系统介绍知识图谱如何赋能智能客服。 一、智能客服的知识痛点 1.1 传统方案的局限 传统客服知识管理： FAQ匹配方案： ├── 知识形态：问答对（Q-A pairs） ├──...

S 进阶 约 10 分钟

知识图谱自动构建：NER、关系抽取、实体链接

知识图谱自动构建：NER、关系抽取、实体链接 知识图谱的构建从手工编辑走向自动化是降低成本、扩大规模的关键。本文系统介绍知识图谱自动构建的三大核心任务——命名实体识别(NER)、关系抽取(RE)、实体链接(EL)——的技术方法、LLM增强方案与工程实践。 一、知识图谱构建流水线 1.1 全流程概览 非结构化文本 → 知识图谱的自动构建流水线： 原始文本 │ ▼ ┌──────────────┐...

S 进阶 约 7 分钟

知识图谱自动构建：从文本到三元组

知识图谱自动构建：从文本到三元组 NER+关系抽取、LLM驱动的知识提取、Schema设计与质量控制全流程 引言...

S 进阶 约 11 分钟

知识图谱质量评估与治理

知识图谱质量评估与治理 知识图谱的价值取决于其质量。不准确的实体、缺失的关系、过期的属性都会严重削弱图谱的可用性。本文构建一套完整的知识图谱质量评估框架，涵盖质量维度定义、自动化检测方法、治理流程与持续改进机制。 一、知识图谱质量的重要性 1.1 质量问题的代价 知识图谱质量问题的影响链： 错误的实体/关系 │ ├── 直接影响 │ ├── 搜索返回错误结果 │ ├── 推荐系统给出不相关推荐...

S 进阶 约 11 分钟

知识图谱质量评估与治理框架

知识图谱质量评估与治理框架 为什么质量治理是生死线 知识图谱的价值完全建立在数据质量之上。一个包含大量错误三元组的图谱不仅无用，还会误导下游应用（如 RAG 生成错误答案、风控系统漏判风险）。工业级知识图谱必须建立系统化的质量评估与持续治理机制。 质量维度体系 六维质量模型 ┌─────────────────────────────────────────────────────────┐ │...

S 进阶 约 11 分钟

知识图谱驱动的推荐系统

知识图谱驱动的推荐系统 KG增强协同过滤、基于路径的推理、可解释推荐与工程实现 引言...

S 进阶 约 12 分钟

行业知识图谱案例：金融风控图谱

行业知识图谱案例：金融风控图谱 业务背景 金融风控是知识图谱最成熟的落地场景之一。核心挑战在于：欺诈行为通过复杂的关系网络隐藏身份，传统基于规则和特征的反欺诈系统只能发现已知模式，而图谱可以揭示隐藏的关联关系，发现新型欺诈模式。 本文以真实的金融风控场景为蓝本，详解图谱建模、欺诈模式检测和实时风控引擎的工程实践。 金融风控图谱本体设计 核心实体类型...

S 进阶 约 24 分钟

轻量级 GraphRAG 实践：LightRAG、nano-GraphRAG 与 RAPTOR

轻量级 GraphRAG 实践：LightRAG、nano-GraphRAG 与 RAPTOR 当 Microsoft GraphRAG 太重时，如何用更低成本获得图增强检索的核心收益 目录 为什么需要轻量级 GraphRAG LightRAG：双层检索的工程化方案 nano-GraphRAG：1100 行代码的极简实现 RAPTOR：树形递归摘要的类图替代方案...

S 进阶 约 5 分钟

GraphRAG：知识图谱增强的检索增强生成

GraphRAG：知识图谱增强的检索增强生成 作者：Maurice | 灵阙学院 RAG 的局限性 传统 RAG（Retrieval-Augmented Generation）通过向量相似度检索相关文档片段，再将其作为上下文送入 LLM 生成回答。这种方法在以下场景表现不佳： 多跳推理：答案需要综合多个文档中分散的信息片段 全局摘要：需要对整个文档集合的宏观理解，而非局部片段...

S 进阶 约 6 分钟

Graphiti：AI Agent 的时序知识图谱

Graphiti：AI Agent 的时序知识图谱 作者：Maurice | 灵阙学院 Agent 记忆的困境 AI Agent 面临一个根本性的记忆问题：LLM 的上下文窗口是有限的，而 Agent 需要处理的信息是无限的。当前主流的 Agent 记忆方案各有局限： 方案 优势 局限 上下文窗口 即时可用、高保真 容量有限、成本高 向量数据库 语义检索、大容量 无结构、无时序、易冲突 对话摘要...

S 入门 约 6 分钟

Neo4j 与图数据库实战指南

Neo4j 与图数据库实战指南 从 Cypher 入门到生产级调优 | 2026-02 一、为什么选择图数据库 关系型数据库处理"多跳关联查询"时，JOIN 数量随深度指数增长，性能急剧下降。图数据库将"关系"提升为一等公民，遍历 N 跳邻居的时间复杂度与数据总量无关，只与局部子图大小相关。 典型适用场景： 场景 关系深度 关系型痛点 图数据库优势 社交网络 2-6 跳 多层 JOIN 超时...

S 进阶 约 7 分钟

企业知识图谱建设方法论

企业知识图谱建设方法论 五阶段落地框架与避坑指南 | 2026-02 一、企业知识图谱的价值定位 知识图谱不是技术炫技，而是企业"知识资产数字化"的基础设施。它的核心价值在于：将散落在数据库、文档、人脑中的知识结构化，让机器能像人一样"理解"业务实体之间的关系，从而支撑智能搜索、智能推荐、风控决策、合规审查等高价值场景。 企业 KG 的三层价值： 第三层：智能决策（风控、合规、战略分析） |...

S 提升 约 7 分钟

向量检索与图检索融合架构

向量检索与图检索融合架构 GraphRAG vs VectorRAG 与混合检索实战 | 2026-02 一、两种检索范式的本质差异 大模型时代的知识检索有两条路径：基于向量相似度的语义检索（VectorRAG）和基于图结构的关系检索（GraphRAG）。二者解决的是不同维度的问题： VectorRAG 擅长回答： "跟 X 语义最相似的内容是什么？" -> 基于 embedding...

S 提升 约 5 分钟

数字孪生与知识图谱融合架构

数字孪生与知识图谱融合架构 作者：Maurice | 灵阙学院 数字孪生的本质 数字孪生（Digital Twin）不是简单的"数字化复制"。它是物理世界实体在数字空间中的动态映射——不仅包含静态属性，还包含行为模型、状态变化、历史轨迹和预测能力。 一个完整的数字孪生系统包含三个维度： 数据维度：实体的属性、状态、传感数据 模型维度：描述实体行为的数学/物理/AI模型...

S 入门 约 7 分钟

本体建模与知识表示入门

本体建模与知识表示入门 OWL/RDF/RDFS 基础与企业领域建模实战 | 2026-02 一、什么是本体（Ontology） 本体是对某个领域中概念、属性和关系的形式化描述。它回答的核心问题是："这个领域里有哪些东西？它们之间是什么关系？有什么规则和约束？" 本体与数据库 Schema 的区别： 维度 数据库 Schema 本体 设计目标 数据存储与查询效率 知识表示与推理 表达能力...

S 进阶 约 7 分钟

知识图谱在金融风控中的应用

知识图谱在金融风控中的应用 反欺诈、反洗钱与信用风控的图谱化实战 | 2026-02 一、为什么金融风控需要知识图谱 传统风控依赖规则引擎和机器学习模型，处理的是"单点特征"：一个人的年龄、收入、征信分。但欺诈和洗钱的本质是"关系网络"中的异常模式：一群人通过复杂的资金链条、担保关系、股权嵌套来隐藏真实意图。 知识图谱将"关系"显式化，让风控从"看单点"升级为"看网络"： 传统风控视角（单点）:...

S 入门 约 6 分钟

知识图谱基础：从概念到企业实践

知识图谱基础：从概念到企业实践 作者：Maurice | 灵阙学院 什么是知识图谱 知识图谱（Knowledge Graph）是一种用图结构来组织和表示知识的技术体系。它以"实体-关系-实体"三元组为核心数据模型，将现实世界中的概念、事物及其相互关系编码为机器可理解的结构化数据。 Google 在 2012 年提出 Knowledge Graph 概念时，用一句话概括了它的价值："Things,...

知识图谱培训

S 入门 约 28 分钟

知识图谱入门讲座 — 财税多智能体平台

← → 翻页 扫码签到 Sign In Internal Technical Talk · For All Teams 知识图谱从入门到落地 用最通俗的语言，读懂 AI 的「知识大脑」以及它如何赋能我们的财税多智能体平台 Palantir 靠 KG（知识图谱）做到年营收 $44.8 亿 Forrester 实测 ROI（投资回报率）320% Gartner 2025：KG 提升 LLM 准确率...

S 提升 约 13 分钟

Palantir 知识图谱与智能体平台 | 深度报告

企业技术 · 深度分析报告 · SPECIAL REPORT The Digital Ontologist 知识图谱 · 数字孪生 · 企业智能体 2026 年 2 月 11 日 | 特别报告 · 第 I 期 | 作者：Maurice 封面 本体论架构 三层模型 AIP 智能体 行业案例 实施指南 展望 封面报道 从知识图谱到可编程数字孪生：Palantir 如何重新定义企业智能...