你有没有发现，问AI「张三和李四是什么关系」，它能答出来，但你要它从一堆文档里把两人的关系网理清楚，它就有点乱。这背后牵扯到一个概念叫「知识图谱」，这几年它和大模型搭在一起，成了很多AI应用的标配。今天把它讲明白。
知识图谱，说白了就是把「世界上的人和事」以及「它们之间的关系」存成一张网。它的基本单位叫三元组：实体-关系-实体。比如「王尘宇-就职于-某公司」就是一个三元组，「某公司-位于-西安」又是一个。无数个三元组串起来，就成了一张知识网。
搜索引擎早就用这套了。你搜「XXX创始人是谁」，百度能直接给你答案卡片，靠的就是背后维护的大规模知识图谱，而不是临时去网页里翻。它把「关系」提前整理好了，查起来又快又准。
那为什么大模型还需要知识图谱？因为大模型是「猜下一个词」，它知道很多事，但容易一本正经地胡说，而且对「确切的关系」把握不稳。把知识图谱喂给大模型，等于给它一份「正确答案清单」，回答带关系的问题时就能照着图说，大幅减少胡说。
这就是现在很火的「RAG+知识图谱」组合。传统的RAG是把文档切成小块存进向量库，靠相似度找内容；但向量检索对「多跳关系」的问题（比如「A公司老板的朋友的公司叫什么」）常常抓瞎。知识图谱能把这种关系链直接找出来，两者一结合，一个管文本、一个管关系，效果提升明显。
企业场景里，知识图谱常用来做客户关系管理、供应链分析、企业内部知识库。我见过一个做零部件贸易的公司，把客户、产品、供应商、项目的关系全建模进图谱，销售想查「谁跟谁合作过」「哪个产品供了哪几家」，一条查询就出来，比翻Excel强太多了。
搭建难不难？说难也难，建图谱要先从数据里抽实体、抽关系，这步很费功夫，现在多靠AI自动抽取，但准确率还得人工把关。说不难，是因为有不少开源工具和现成平台，小规模试水完全够用。我的建议是：如果你手头有大量「关系型」数据要反复查询，知识图谱值得研究；如果只是普通文档问答，传统RAG就够用了，别杀鸡用牛刀。
还木有评论哦，快来抢沙发吧~