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)
结构化信息检索需要理解数据表、知识图谱、JSON文档等具有明确模式（schema）的信息源，并将用户的自然语言查询映射到这些结构之上。
带链接关系的记忆在技术上通常对应知识图谱或双向链接式存储，每个记忆条目是节点，条目之间通过显式引用建立边，检索时可沿边扩展召回语义相关上下文。
研究团队通过解析历史SQL查询日志构建知识图谱，将表、列和连接关系转化为可检索的图结构。
知识图谱在科学AI平台中扮演关键角色，它将实验记录、文献结论、材料成分与性能数据组织成实体和关系网络，使模型能利用结构化知识进行推理。
知识图谱将设备型号、故障代码、部件、维修动作、技术通报等实体及其关系结构化，使系统能沿关系链推荐相关信息。
在上下文感知AI中，知识图谱通常扮演业务世界模型的角色：模型在生成建议前，先通过图谱检索相关实体与约束，从而在推理时纳入业务关系网络。
传统知识图谱建设需要人工设计本体（schema）并运行抽取管道，成本高、周期长。
对于非结构化文本占比极高的场景，知识图谱的覆盖率可能不如纯向量检索灵活。
知识图谱数据模型（带观察与关系的实体）是官方MCP参考服务器的schema，mem0、Graphiti、cognee、Hindsight、mcp-memory-service存储的都是同一三元组的不同变体。
基于知识图谱的中介利用从数据湖中自动构建的知识图谱来辅助解析，知识图谱不仅包含表、字段等模式信息，还编码了实体之间的关联。
还有 40 条时间轴事件
全部知识事实 (20)
GraphRAG的核心是把知识图谱融入传统RAG流程，以三元组（两个实体及其关系）形式组织信息
90%已验证知识图谱（Knowledge Graph）最早由Google于2012年提出并用于搜索引擎优化
80%已验证谷歌知识图谱是一个收录了数十亿现实世界实体及其关系的语义数据库
75%已验证图数据库以节点和边形式存储实体与关系，天然支持多跳推理
75%已验证知识图谱以'实体-关系-实体'的三元组形式存储知识，相比向量库能显式表达实体关联关系
75%已验证Google、微软等科技巨头均将知识图谱用于搜索引擎的语义增强
75%已验证GraphRAG的做法是从文档中抽取实体与关系，以节点和边形式存入图数据库，检索时先用向量召回候选节点再沿图的边做多跳推理
65%已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
65%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%已验证知识图谱基于图的结构化数据结构，构建复杂度远高于向量方案，但能精准表达实体间的关系
65%已验证知识图谱采用基于图的结构，由代表实体的节点和代表关系的边构成
65%已验证微调适合让模型学习特定输出风格或领域语气，而RAG通过外挂知识库实现即改即用，两者在工程中常结合使用
65%已验证GraphRAG架构通过知识图谱显式建模角色关系与事件因果链来弥补纯向量检索的局限
65%已验证GitNexus的核心能力是将代码库从简单的文件列表转化为结构化的知识图谱（关系网络）
65%待验证转型罗盘工具的技能图谱本质上是知识图谱的垂直应用，将技能节点、依赖关系、岗位要求结构化为图数据库（如Neo4j）中的实体与关系
85%待验证Semantica会构建上下文图（Context Graph）和知识图（Knowledge Graph）两张图作为推理基础设施
60%待验证现代代码溯源技术包括基于抽象语法树（AST）的结构化比较、基于程序依赖图（PDG）的语义分析，以及利用深度学习模型进行语义级相似度计算
60%待验证知识图谱以'实体—关系—实体'三元组形式存储知识，Neo4j是主流实现工具
60%待验证知识图谱的核心数据模型是三元组（主体—谓词—客体）
60%待验证混合策略（短期上下文处理即时对话、向量检索补充背景知识、结构化摘要维持长期状态）往往优于单一记忆方案
60%