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)
知识图谱与提示工程的结合旨在解决大语言模型知识固化于训练数据、无法保证事实准确性和时效性的根本局限。
SkillBot 是一个技能推荐聊天机器人，结合了微调后的GPT-3.5模型、检索增强生成（RAG）技术，以及一个包含约230万条RDF三元组的知识图谱。
Malav Naik 的硕士毕业论文聚焦于知识图谱与提示工程如何支持AI驱动的纵向分析。
EzInsights AI 的 Data Intelligence Framework 提出了一种结合语义搜索、知识图谱和自主智能体的方法，将数据与业务上下文连接起来。
相比传统关系表，知识图谱更适合表达多跳、跨系统的语义关系，因此被用于解决“同一指标在不同部门定义不一致”的问题。
目前为AI Agent结构化数据在生产环境中真实使用的方案有五种：语义模型、本体与知识图谱、检索增强生成（RAG）、纯Markdown文件配合grep搜索，以及开放知识格式。
知识图谱的构建和维护成本高于其他四种方案，需要建模实体和关系，并在业务变化时保持本体准确性；当问题需要跨连接实体的多跳推理时该成本值得付，否则过度设计。
在生成式引擎语境中，品牌要「被AI认识」本质上是让模型的知识图谱中建立对应实体节点，节点需多源交叉印证（官网、维基百科、行业媒体、社交账号、第三方评价等）才能稳固。
将PR、工单、设计文档和讨论串连成完整故事本质上是一个知识图谱问题，其中每个实体是节点，实体间的引用、解决、否决等关系是边。
知识图谱可以承载权限元数据，使不同角色只能看到自己有权访问的节点，从而在提供上下文的同时满足合规要求。
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Obsidian支持双向链接，其图谱视图能可视化笔记间的关联关系
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%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
60%待验证Malav Naik 的硕士毕业论文聚焦于知识图谱与提示工程如何支持AI驱动的纵向分析。
50%