knowledge-graph-builder

知识图谱构建器

概述

知识图谱将隐含的关系显式化，使 AI 系统能够推理关联、验证事实并减少幻觉。它将结构化的实体关系建模与语义搜索相结合，实现强大的知识检索。

适用场景： 复杂的实体关系是领域核心；根据结构化知识验证 AI 生成的事实；将语义搜索与关系遍历结合；推荐系统、欺诈检测或模式识别。

不适用场景： 简单的表格数据（使用关系数据库）；没有关系的纯文档搜索（使用 rag-implementer 技能）；无需遍历的读密集型工作负载；或团队缺乏图建模专业知识。若要选择和治理知识库架构，请使用 knowledge-base-manager 技能。

快速参考

模式	方法	要点
本体优先	在摄取数据前定义实体类型、关系和属性	之后更改架构的成本很高；请领域专家验证
实体消歧	在提取过程中积极去重	必须将 “Apple Inc” = “Apple” = “Apple Computer” 解析为同一实体
置信度评分	为每个关系附加 0.0-1.0 的评分和来源	可按可靠性筛选，这对 AI 事实依据至关重要
混合架构	图遍历（结构化）+ 向量搜索（语义）	向量搜索用于查找候选项，图则通过关系扩展上下文
渐进式构建	先处理核心实体，针对目标查询进行验证，然后再扩展	避免在使用真实查询测试前构建完整图谱
数据库选择	Neo4j（通用）、Neptune（AWS 托管）、ArangoDB（多模型）、TigerGraph（超大规模）	根据规模、基础设施和查询复杂度选择数据库

常见错误

错误	正确做法
在设计本体前摄取实体	先与领域专家定义并验证本体；之后更改的成本很高
跳过实体消歧和去重	积极去重，确保将 “Apple Inc”、“Apple” 和 “Apple Computer” 解析为同一实体
未为关系添加置信度评分	为每个关系附加 0.0-1.0 的置信度评分和来源
只使用图遍历，不使用向量搜索	实施混合架构，将图遍历与语义向量搜索结合
在使用真实查询验证前构建完整图谱	从核心实体开始，针对目标查询进行测试，然后逐步扩展
未了解规模要求就选择数据库	选择数据库前评估查询模式、数据量和基础设施限制

委派

• 从非结构化文本中提取实体和关系：使用 Task Agent 运行 NER 流水线并构建关系三元组
• 根据项目需求评估图数据库选项：使用 Explore Agent，结合规模和查询需求，对比 Neo4j、Neptune、ArangoDB 和 TigerGraph
• 为新领域设计本体和混合架构：使用 Plan Agent 定义实体类型、关系模式以及图-向量集成策略
• 对于混合 KG+RAG 系统，委派给 rag-implementer 技能
• 对于由知识图谱驱动的 Agent 工作流，委派给 agent-patterns 技能

参考资料

• 本体设计 — 实体类型、关系、属性、RDF 模式、验证
• 数据库选择 — Neo4j、Neptune、ArangoDB、TigerGraph 的对比与设置
• 实体提取 — NER 流水线、关系提取、基于大模型的提取
• 混合架构 — 图与向量集成、混合搜索实现
• 查询模式 — Cypher 查询、API 设计、常见遍历模式
• AI 集成 — KG-RAG、幻觉检测、有依据的响应生成