知识图谱解决什么问题

搜索一件事的时候，你可能遇到过两种结果。

一种是返回一段和问题「很像」的文字。它确实相关，但不一定回答了你问的东西，而且你无法确认它说的时间、数量、关系是否准确。

另一种是直接给出结构化的事实：某个人的出生地、某家公司的创始人、某个药物的适应症，并且能顺着关系往下追问一层。问「这家公司的创始人还创办了什么」，它会沿着「创始人」这条边走到另一个人，再展开。

这两种结果背后是两套不同的技术。前者通常是向量检索，后者是知识图谱。它们不是新旧替代的关系，而是解决不同层次的问题。这篇文章先把知识图谱的位置画清楚，后面八篇再逐层展开具体技术。

一、它要解决的核心问题

有一个很朴素的观察：文本能表达的信息量很大，但机器无法直接对它做运算。

「张三 2020 年加入北京大学，2023 年转到清华大学」这句话，人读完就知道了三件事：张三、这两所学校、以及两段有时序的任职关系。但把它存成一段字符串，机器能做的只有查找和相似度比较。它不知道「北京大学」和「清华」是同类事物，不知道「加入」和「转到」是同一种关系的两个实例，也没法回答「谁在两所学校都待过」。

知识图谱做的事情，是把这类信息改写成机器能运算的形式：

张三      就读于     北京大学
张三      就职于     清华大学
北京大学  位于       北京
清华大学  位于       北京

每一行是一个「实体 — 关系 — 实体」的三元组。写成这种形式之后，可以做的事就多了：查「哪些人在同一个城市的两所学校任职」变成一个可以顺着边走两跳的查询；「张三在哪座城市工作」可以通过「就职于」再走「位于」推出来，而不需要事先把答案存好。

这里有个关键区别值得先说清楚：顺序和因果是人读文本时补上的，图里必须显式写出来。 上面两段任职的先后顺序，在纯三元组里并没有表达出来，需要额外加上时间信息，否则图只能告诉你「张三和这两所学校都有关系」，说不出先后。这是知识图谱工程中反复出现的一类问题，后面讲事件抽取时会专门展开。

二、它和向量库的分工

「有了向量库还需要知识图谱吗」是入门时最常问的问题。答案是两者解决不同层次的需求，判断方法看问题的类型。

向量库把一段文本编码成一个稠密向量，检索时比较向量距离。它的强项是模糊语义匹配：「这段文字和哪几段话意思接近」，这个问题它做得很好，而且不需要预先定义任何结构。

它不擅长的是三类问题：

知识图谱在这三类上有优势，因为它存的就是关系本身。反过来，它在开放域闲聊、模糊匹配上不如向量库，因为图里没有的边就真的查不到。

工程上的常见组合是让两者配合：先用向量检索把候选范围从百万级缩到几十条，再用图谱在这一小批候选里补上关系和约束，最后由语言模型组织成回答。这个组合通常被称为 GraphRAG，第 08 篇会展开。

什么情况下不该用知识图谱

这一条同样重要。以下场景建图谱的投入往往收不回成本：

• 数据量很小，几百条事实用表格加几个查询就够了，建图反而增加维护负担
• 问题以模糊匹配为主，比如「帮我找几篇相关的文章」，向量检索更快更简单
• 关系不稳定且时效性极强，今天建好的边明天就变了，维护成本高于收益
• 没有可靠的抽取来源，纯靠人工录入的话，图谱的规模很难上去

知识图谱的收益来自「关系可以复用」。如果每个问题的关系都不同、用一次就丢，那就没有复用的价值。

三、一条完整的链路

理解技术分层最直接的办法，是跟着一句话走完全程。

第一步是原始文本。 「张三是北京大学的教授」这句话本身不能直接查询。

第二步是命名实体识别，把句中指称实体的片段找出来并分类。结果是三个实体：张三（人物）、北京大学（机构）、教授（职称）。这一步的难点不在识别出「张三」这两个字，而在于判断它属于哪个类别，以及区分同名的不同实体。第 04 篇专门讲这个。

第三步是关系抽取，判断实体之间存在什么关系。这里得到的是「张三 — 任职于 → 北京大学」。难点在于同一种关系有大量不同的说法，「任教于」「在……工作」「是……的教师」都要归到同一个关系类型上。第 05 篇展开。

第四步是知识融合，把新抽出的三元组和已有图谱对齐。如果图谱里已经有「北京大学」这个实体，新抽出的就必须连到同一个节点上，而不是新建一个名字相同但孤立的节点。这一步还会处理冲突：两个来源对同一事实给出不同值时该采信哪个。第 07 篇展开。

第五步是入库与推理，此时图可以回答「谁在北京大学任职」，也可以沿着已有关系推出没有直接存储的结论。

这条链路上有一件事必须做到，否则图谱会变成一个难以排查的黑箱：每条结论都要能回溯到原始出处。 当系统给出一个错误答案时，需要能顺着链路查到这个错误是抽取错的、对齐错的，还是原始文本本身就有问题。所以三元组通常要带上来源和置信度，而不是只存关系本身。

四、五层结构里各层的职责

把上面的链路放大到完整体系，就是知识图谱的五层结构。纵向看是数据的流动方向，横向看是每层解决的问题。

这个分层不是学术上的严格划分，而是工程分工的反映：不同层的技术栈、评测指标和迭代节奏都不一样。抽取层的指标是准确率和召回率，融合层关心的是对齐准确率和冲突处理策略，知识层关注的是表达能力与推理代价的权衡。

五、两条贯穿全部五层的支撑

前面那张图右侧有两个虚线框，它们不属于任何单独一层，但作用于全部五层。

质量与评测。 知识图谱的错误有两类，处理方式完全不同。一类是抽取错误，比如把「张三」误标成机构，这类问题可以靠提高模型和增加标注数据来缓解。另一类是本体错误，比如 schema 里把「导师」定义成了对称关系，这类问题会让全图推出一批系统性错误结论，而且从单个三元组上看不出异常。第二类更危险，因为它不会在准确率指标上暴露出来。

更新与维护。 知识图谱不是建一次就完事的东西。现实世界在变，人物的任职会变动，机构的名称会更改，产品会下架。一个没有更新机制的图谱，价值会随时间衰减。更新带来的新问题是冲突检测：新抽出的三元组和已有的矛盾时，是覆盖、保留两条，还是标记为待人工确认。这需要在 schema 设计阶段就定好规则。

六、给初学者的阅读顺序

这九篇按技术分层组织，但不必按顺序读。按目标选择：

只想知道知识图谱能做什么、和已有的向量检索怎么配合：读本篇和第 08 篇。两篇加起来覆盖了选型判断需要的信息。

准备动手建一个图：先读第 02 篇定 schema。这一步最容易被跳过，也是最容易返工的。schema 定下来之后再改，已有的三元组可能全部需要重新对齐。然后是第 03 到 06 篇的抽取方法，最后读第 07 篇解决多来源合并的问题。

关心大模型方向：本篇、第 03 篇和第 08 篇的信息密度最高。第 08 篇讲知识图谱与大模型的双向关系，包括图谱如何抑制幻觉、以及大模型如何反过来辅助图谱构建。

只是想了解技术演进：第 01 篇从 1960 年代的语义网络讲到今天的向量表示，把每一代方法为什么被替换讲得比较细。

关于本系列的取材与边界

每篇文章里提到的方法论、模型名、数据集名和数字都来自公开资料。需要说明两点：

• 涉及描述逻辑的推理算法（例如 Tableau 如何展开、ALC 的语义表）时，本系列只讲到结论和取舍，没有展开算法细节。要看细节需要回到描述逻辑的教材或原始论文。
• 涉及具体工程参数（例如什么规模该建图、抽取模型选哪个）时，给出的都是常见做法的范围，不是可以直接照抄的配置。这类判断依赖具体数据，无法脱离场景给答案。