实体 Entity

一个具体的"东西"：一家公司、一个人、一张发票。

比喻：城市里的每栋建筑——有名字、有地址、有用途。

关系 Relation

两个实体之间的连接方式：持股、开票给、法人代表。

比喻：建筑之间的道路——公路、铁路、管道，各不相同。

属性 Property

实体自身的特征数据：注册资本、税号、金额。

比喻：建筑的身份证——面积、楼层、建造年份。

三元组 Triple

知识的最小单元：主语 → 谓语 → 宾语。

比喻：一句最短的新闻——"XX大厦 → 隔壁是 → YY银行"。

事实 Fact

经过验证的三元组。三元组是格式，事实是内容被确认为真。

比喻：新闻 vs 经过核实的新闻——事实 = 三元组 + 可信来源。

Schema 模式

偏数据存储与校验的结构规范：表结构、字段类型、JSON 格式。

比喻：Excel 表头——规定每列填什么、什么格式。解决约 80% 结构问题。

本体 Ontology

偏语义与概念体系的结构规范：类型层级、关系语义、推理规则。

比喻：组织架构图——规定部门层级、汇报线、哪些违规。跨系统统一语义时必要。

知识图谱 KG

本体 + 所有事实的总和。说明书 + 全部已验证的知识网络。

比喻：公司本身——架构图 + 所有员工 + 所有汇报关系 = 完整的组织。

数据孤岛

企业、发票、财务、政策分散在多个系统，查关联关系需跨多系统。

关系迷宫

集团几十家子公司、交叉持股、多层嵌套。表格理到第三层就晕。

政策跟不上

2025年仅增值税相关政策更新60+条。知识库不实时就出错。

LLM 幻觉 = 财务风险

你问 AI"小规模纳税人季度限额多少？"，它可能回答一个过期数字——即使是最好的模型也有约2%的幻觉率，法律领域高达19%+。财税领域：错一个数就是损失。

✓ 统一知识底座

打通企业、发票、税种、政策，形成互联互通的财税知识网络。

✓ 多跳查询秒级

股权穿透、关联排查——沿边走就行，不需 JOIN 一堆表。

✓ 动态可更新

新政策 → 新增图谱边 → 所有智能体实时获取最新知识。

✓ 消除幻觉、增强专家

GraphRAG（图谱增强检索生成）可将幻觉率降至<1%。KG 负责记住所有条文和数字，专家负责判断和决策——不是替代你，是给你一个不会忘事的助手。

领域子图 = 专业小 RAG

每个业务领域构建独立子图：税政子图（政策+税种+适用条件）、企业子图（股权+法人+行业）、发票子图（品目+税率+开票方）—— 各子图独立维护、独立更新。

统一图谱 = GraphRAG

多个领域子图通过共享实体（如"A公司"同时出现在企业图和发票图）自动连通，形成统一知识网络。跨域问题（如"A公司适用哪些优惠？"）只需沿边遍历，无需跨库查询。

产品经理

问答准确率 3x → 用户满意度直升；政策实时同步 → 功能迭代不再被"信息差"卡住。KG 项目 ROI 320%：图谱越完善，所有 AI 模块同步增强。

财税专家

60+ 政策/年自动入图 → 再也不怕漏更新；关联交易一键穿透 → 审计效率翻倍；幻觉降至 <1% → 数字有据可查，来源可溯源。

智能体开发 / 大数据

GraphRAG 91% vs Naive 43% → 根本性质量提升；每条新知识自动连接全图 = 网络效应；LazyGraphRAG 索引成本降 99.9% → 大规模落地可行。

是什么

用"点+线"组织知识的语义网络。让机器像人一样理解事物关系。

核心结构

三元组(S-P-O, 主-谓-宾) = 最小知识单元。本体 = 类型+关系+属性+约束。

谁在用

Google、蚂蚁集团、医疗KG、华为、税务总局、Agentic AI……财税场景天然适合。

KG x Agent

知识图谱是智能体的"共享大脑"。GraphRAG = 精准 + 自然流畅。