#知识图谱
共 59 篇相关文章

让企业知识图谱学会说"不知道":引用优先的GraphRAG实践
ZEHN Core基于FalkorDB构建引用优先的企业知识图谱,通过三层机制强制模型在无引用时回答"我不知道",并对图谱自身路径进行证据分级,为可信GraphRAG提供可复用的工程实践。

当LLM遇见知识图谱:如何让数据库诚实地说“我不知道”
Helio团队用知识图谱+FalkorDB构建企业知识代理,在LLM工具调用中遭遇循环验证陷阱。他们手写20条标准答案先定义正确,设计5个无答案问题测试拒绝能力,发现验证门本身才是最大bug。本文拆解数量/时效混淆、带引用的矛盾检测、SSE协议假设等实战教训。

FalkorDB+LangGraph构建医疗图谱引擎,破解2600亿理赔困局
医生每1小时临床护理花2小时录入EHR,美国医院年损2600亿美元于理赔拒付。本文详解如何用FalkorDB知识图谱与LangGraph多智能体替代向量RAG,实现确定性医学必要性证明、NCCI拆分拦截与跨会话用药禁忌检测。

用图数据库做房产尽调Agent:隐藏风险检出率81%
开源项目Khoj用FalkorDB图数据库构建房产尽调AI Agent,通过Katz中心性沿关系路径计算风险分。在200个表面干净的项目上,图方法检出81%隐藏风险且零误报,远超传统单记录检查的0%。

Company Brain:用知识图谱+AI Agent打造企业智能知识助手
Company Brain 是一个用知识图谱、专家 AI Agent 和大模型构建的企业知识助手开源项目。本文拆解其 FalkorDB 图谱架构、六步问答链路、证据溯源设计,以及关键词路由与默认开放权限等落地短板。

Notion + Cognee:为AI Agent构建长期记忆
介绍如何通过 NotionLoader 将 Notion 工作区文档接入 Cognee,把团队知识转化为知识图谱,为 AI Agent 构建跨会话的长期记忆,含完整 Python 集成代码与设计思路解析。

3天构建公司大脑:图谱记忆如何让AI的每个答案有据可查
开发者Anshu用三天构建开源项目Recall:以FalkorDB图数据库承载公司因果知识,实现每个答案可溯源引用、记忆按人隔离与版本化、Agent执行前强制人工审批。基准测试中图检索24.667分胜扁平RAG的19.251分,并公开全部失分与测试教训。

FalkorDB实战:用图数据库构建能自证修复的安全事件Agent
AegisGraph项目在FalkorDB上构建安全事件Agent,用属性图统一代码、运行时与身份数据,通过多跳查询定位攻击爆炸半径,并在沙箱图中先验证修复再执行生产动作。

BLACKBOX:用知识图谱为故障响应注入记忆
BLACKBOX是一款基于FalkorDB知识图谱的AI故障调查代理,能串联服务依赖、部署、负责人和历史复盘,实现可解释的根因定位,并通过冷热调查对比让每次故障都成为下一次调查的记忆。

Ideator:用知识图谱让AI告诉你该做什么产品
Ideator是Hacktoberfest开源AI项目:输入一句话想法,它并行搜索Google、Google Play与Reddit,用FalkorDB知识图谱和Gemma智能体推理,输出带来源的五格构建简报(付费人群、痛点、优势、定价、第一版),定价由TabPFN预测,决策可追溯至原始Reddit帖子。

GraphMind:用FalkorDB为AI构建持久记忆图谱
GraphMind 是一个基于 FalkorDB 图数据库的 AI 记忆与知识图谱平台,通过实体与关系建模解决 AI Agent 跨会话上下文丢失问题。本文解析其技术架构、图检索设计思路以及开发中遇到的实际挑战。

HandbookBrain:让每条公司规则都有据可查的图数据库大脑
HandbookBrain基于FalkorDB构建版本化知识图谱,将公司文档、会议决策与合并请求连成路径,回答规则背后的原因并检测变更破坏的答案。评估显示其总体准确率87%,优于RAG基线。

尼日利亚学校重印2000份成绩单后,他们用图数据库造了个记忆
Ednovax因沟通断层重印2000份成绩单后,用FalkorDB图数据库为WhatsApp客服团队构建记忆系统Loopkeeper,实现一校一图、向量检索、自动指派与闭环追踪,让每次对话都成为可查询的结构化知识。

GraphRAG悖论:知识图谱如何避免Token崩溃
GraphRAG在生产环境面临Token崩溃与延迟飙升难题。本文解析粗暴图遍历为何烧钱,提供混合架构方案:用确定性Cypher查询替代LLM图遍历,可将延迟降低95%、Token支出减少84%,同时保持多跳推理准确率。

仓库智能:AI编程代理如何真正理解整个代码库
仓库智能(Repository Intelligence)是让 AI 编程代理理解整个代码库结构、依赖与调用关系的技术体系,核心包括向量嵌入、AST 解析和知识图谱。本文解释为什么单纯扩大上下文窗口无法解决问题,以及三种方案各自的能力边界。

Malav Naik:从数据工程到知识图谱驱动的AI系统构建者
Malav Naik,从印度古吉拉特邦到都柏林,拥有五年S&P Global数据工程经验,现为Trinity Care Nursing Homes构建AI自动化系统,其SkillBot项目结合RAG与230万条RDF三元组知识图谱,实现97%事实准确率。

为AI Agent结构化数据:五种方案与选型指南
为AI Agent结构化数据没有唯一最优方案。本文对比语义模型、知识图谱、RAG、Markdown+grep和开放格式五种方案,基于dbt、微软、Chroma等研究数据,帮你根据问题类型选择正确的数据架构。

Zep v4 发布:让 AI Agent 真正学会在图谱中导航
Zep v4 将图谱导航变成 AI Agent 的一等公民工具:一次调用即可列邻居、按度数找枢纽、拉取有界子图,且能感知结果是否触达边界。本文解析其 SDK 与 MCP Server 的落地方式。

