待验证50% 置信事实精确时间

知识图谱增加的核心信息维度是关系维度，即把文本中隐含的关系显式化并结构化，这些关系在纯文本切块中会丢失

1

来源数

50%

置信度

长期有效

时效性

2026/9/10

首次发现

来源

知识图谱如何扩展LLM上下文：从向量检索到关系推理

涉及实体

知识图谱concept GraphRAGconcept

相关事实

待验证知识图谱相比纯文本检索的核心优势在于能够进行多跳推理，通过A→B→C的关系链路发现A与C之间的隐含联系77% 相似待验证将文本块存储在知识图谱中后，可先检索相关文本块再沿图的关系遍历找到其他相关文本块，为大模型提供更完整上下文73% 相似待验证Semantica在RAG基础上引入知识图谱层，使系统能沿关系边进行结构化推理，发现仅靠文本相似度检索无法捕捉的深层关联68% 相似待验证由于大语言模型的采样机制，两次调用同一知识点产出的页面在排版和表达上会有差异，但核心知识结构和交互功能保持一致68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/887381

API

curl https://kongchang.com/api/v1/knowledge/claims/887381

MCP

get_claim(id=887381)