知识图谱
知识图谱是一种以图结构为基础的结构化知识表示方法，通过节点表示实体、边表示实体间语义关系，以三元组（主体-关系-客体）的形式组织和存储现实世界的知识。其核心特征包括：支持多类型实体与关系的关联建模、便于机器理解与推理，以及可扩展的知识整合能力。广泛应用于搜索引擎、智能问答、推荐系统和自然语言处理等领域。
核心事实
时间轴 (近 90 天)
语义模型更像关系映射表（字段A对应指标B），而本体论更像知识图谱，显式编码概念间的继承关系、互斥约束和时态有效性
基于图谱锚定的推理由于每一步锚定在真实节点和边上，能降低模型凭空捏造信息的风险
知识图谱以三元组主体—关系—客体（SPO）为基本单元存储结构化知识
Semantica的上下文图（Context Graph）是知识图谱的工程化实现，将实体、关系、决策、事实全部建成图上节点，用图遍历回答关系问题
知识图谱以三元组（实体-关系-实体）形式存储信息，形式化定义为有向标记图 G=(V,E,L)
对于简单事实问答，向量检索已足够，使用知识图谱是过度设计
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
LLM与传统数据挖掘融合的方式包括将LLM作为特征提取器生成嵌入表示、利用LLM进行数据增强和合成数据生成、以及将知识图谱与LLM结合以减少幻觉问题
构建动态演化的代码知识图谱需要结合图神经网络（GNN）、时序分析和因果推断等多种AI技术
将知识图谱与LLM结合可以减少幻觉（hallucination）问题
还有 20 条时间轴事件
全部知识事实 (20)
知识图谱（Knowledge Graph）最早由Google于2012年提出并用于搜索引擎优化
80%已验证长期记忆的业界主流方案包括基于embedding的向量检索、基于知识图谱的结构化存储，以及两者的混合架构
65%已验证企业级AI知识库的核心技术是RAG，需要结合Chunking策略、Reranking和Hybrid Search（混合BM25关键词检索与语义向量检索）来提升检索质量
65%已验证Graph RAG通过知识图谱的实体和关系图遍历来处理多跳推理类问题，适用于文档间关系复杂的场景
65%待验证知识图谱的图结构天然支持图遍历算法，使得「找到所有调用了函数A的地方」这类查询可以在毫秒级完成
85%待验证语义模型更像关系映射表（字段A对应指标B），而本体论更像知识图谱，显式编码概念间的继承关系、互斥约束和时态有效性
50%待验证基于图谱锚定的推理由于每一步锚定在真实节点和边上，能降低模型凭空捏造信息的风险
50%待验证知识图谱以三元组主体—关系—客体（SPO）为基本单元存储结构化知识
50%待验证Semantica的上下文图（Context Graph）是知识图谱的工程化实现，将实体、关系、决策、事实全部建成图上节点，用图遍历回答关系问题
50%待验证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
50%待验证对于简单事实问答，向量检索已足够，使用知识图谱是过度设计
50%待验证知识图谱以三元组（实体-关系-实体）形式存储信息，形式化定义为有向标记图 G=(V,E,L)
50%待验证LLM与传统数据挖掘融合的方式包括将LLM作为特征提取器生成嵌入表示、利用LLM进行数据增强和合成数据生成、以及将知识图谱与LLM结合以减少幻觉问题
50%待验证构建动态演化的代码知识图谱需要结合图神经网络（GNN）、时序分析和因果推断等多种AI技术
50%待验证将知识图谱与LLM结合可以减少幻觉（hallucination）问题
50%待验证知识图谱能显式建模实体间结构化关系，支持多跳推理，并能为每条关系标注时间戳和置信度
50%待验证知识图谱以三元组（Subject-Predicate-Object）为基本单元，三元组的概念源于W3C的RDF标准
50%待验证知识图谱构建流程包括命名实体识别（NER）、关系抽取（RE）和共指消解（Coreference Resolution）等信息抽取环节
50%待验证GraphRAG架构将知识图谱与RAG结合，能够处理向量检索难以应对的多跳推理问题
50%待验证知识图谱的多跳推理相比传统向量检索的优势在于能执行'A作用于B，B关联C，C导致D'的链式推理，而向量检索只能基于语义相似度找到最相似的文档片段
50%