knowledge-graph

知识图谱：四个提示词，一个架构

选择模型之前先选择分支。运行图谱提示词之前，使用 shared/references/model-preview.md，在一个获批快照中绑定提取和生成路由。

结构化输出用四个共用一个架构的提示词，取代四套单独训练的系统：架构是唯一的训练数据。要适配新领域，只需更改架构和提示词，然后评估结果。

工作时这样说：

“无需训练 NER 模型——架构是唯一的训练数据；收紧 type Literal 就是我们的再训练步骤。”

何时适合使用图谱

构建之前先确定路由。只有当事实必须跨文档串联、由多个 Agent 共享，或通过来源信息核验时，知识图谱才有价值。

场景	合适的工具	原因
单文档问答	直接提示或 RAG	无需串联
多文档、单跳	RAG + 重排	答案横跨多个文档，无需串联
多文档、多跳	知识图谱	串联需要实体链接
语料库级主题	知识图谱（全局搜索）	没有种子实体；答案是整个图谱的属性
多 Agent 共享状态	知识图谱	工作者需要共享的世界模型
评估器需要真实依据	知识图谱	事实核查需要来源信息
通宵运行的持久循环	知识图谱	记忆必须在上下文清空后保留

适用时，说出这句路由排除语：

“这是对一个集合进行的单跳检索——用 RAG，不用图谱；到此为止。”

四提示词流水线

架构约束下的大批量处理使用提取层级；对冲突证据进行判断则使用生成层级。在获批快照中确定这些路由，然后将其用于每个提示词；此工作流中不要固定模型 ID。 在第一个提示词之前，将计划中的提示词数量、重试次数和调用上限记录在该快照中。

提示词	模型层级	选择该层级的原因
提取	提取	高吞吐量，且受架构约束
消解	生成	权衡冲突证据
摘要	生成	综合多个文档的信息
查询	生成	基于图谱路径进行推理

完整架构、提示词文本和代码：references/pipeline.md。

1. 提取

每份文档只需一次调用，即可同时取代 NER 和关系分类：输出一组带类型的实体，以及主语-谓语-宾语三元组。每条提示词指南都是为了解决某种特定失效模式——五条都要保留：

• 仅提取文档中的核心实体 → 控制召回率
• 用一句话描述实体，且内容必须基于该文档 → 消解所依赖的消歧信号
• 谓语使用简短的动词短语 → 限制谓语词汇范围
• 每条关系都连接两个已提取的实体 → 不留下孤立边
• 为每条关系引用一个逐字摘录的原文片段 → 便于核验来源信息

2. 实体消解

按实体类型逐一处理，将不同表面形式归并为规范节点。单行描述就是关键信号：它能将“Edwin Aldrin”和“Buzz Aldrin”合并起来——两者字符完全不重合，字符串相似度会彻底失效；同时将“Armstrong，登月第一人”和“Armstrong，爵士小号手”区分开。监控两种失效模式：静默丢失（某个名称未被纳入任何簇）和过度合并（将“Gemini 12”并入“Project Gemini”）。

3. 实体摘要

汇总实体的所有提及以及图谱邻域，生成跨文档档案——只处理枢纽节点，度数 ≥ 3。低于此阈值时，单文档描述已经足够；这是开销较大的阶段，因此应有选择地应用。

4. 基于图的查询：本地与全局

每个问题首先要判断：图中是否有可作为起点的种子。

• 本地搜索 — 问题中提到了某个实体。通过别名映射将提及内容关联到其规范节点，将 k 跳邻域序列化为 (subject) --[predicate]--> (object) 三元组，并据此推理。k=2 最合适：既能捕捉图的价值所在的关系链，又不会让上下文过载。如果别名映射中没有匹配项，答案应为 “图中没有与 X 匹配的实体”，而不是退回到预训练知识。
• 全局搜索 — 问题中没有提到实体，而是询问主题、模式、重复出现情况或覆盖范围。没有可供遍历的种子，答案是整个图的属性。将图聚类为若干社群，每个社群总结一次，然后通过映射归约对这些报告进行问题分析：references/global-search.md。

说明你选择了哪种分支：

“这个问题没有提到实体——对社群报告进行全局搜索，而不是遍历 k 跳邻域。”

全局搜索不会在流水线中增加第五个模型：社群报告是在更粗粒度上执行提示词 3 的操作——总结一个聚类，而不是一个节点——并且使用相同的判断层级。

无论哪种方式，答案都有依据：引用具体边及其证据片段，并说明图中不包含哪些内容。没有依据的答案依赖预训练知识，无法核实。对于私有语料，只有有依据的答案才行得通。

精确率优先于召回率

错误实体比缺失实体更糟：它会产生错误关系，并沿着所有涉及它的多跳关系链传播；而缺失实体只是一个显而易见的空缺。调整抽取方式以提高精确率，并通过测试闭环持续改进：修改提示词，使用金标准集重新运行评分器，观察 F1 的变化。通过别名映射进行评分，否则召回率看起来会比实际情况更差。详情请参阅：references/evaluation.md。

每条关系都带有陈述该关系的原文片段。正是这个片段——而不是未经校准的自报置信度分数（下游代码一旦依据它进行筛选，它就会成为质量门槛）——让读者、评估器或矛盾分类器能够核查一条边。

图会不断累积；不会推倒重建

收到新文档时：提取其中的实体，将其与现有的规范集合进行匹配，并根据图中已有的内容对每条事实分类——新增、重复、更新、矛盾、不确定。只有完成分类后才写入。仅当节点的来源文档集合发生实质变化时，才重新生成节点摘要；仅当社区成员发生变化时，才刷新社区报告。

累积不等于追加。语料会自我修正，而修订先前文档的文档，表面上看起来与支持该文档的内容毫无区别。策略是标记，绝不覆盖：

“这与现有边矛盾——标记，绝不覆盖：两条边都保留，并记录来源，列入矛盾台账。”

悄悄保留最新事实，会让更正和暂时性错误无法区分，也会销毁原本能让我们辨别两者的证据。若要让评估者将图视为可信的真实依据，图就必须能够指出语料自身存在分歧。

正是这种严谨做法，让图成为 Agent 基础设施，而非一次性产物：

• 编排器-工作者的共享记忆——工作者读取相关子图，并将新事实提议写回；无论工作者数量多少，编排器的上下文都能保持精简。
• 评估器-优化器的事实依据层——评估器会根据带来源信息的实际边，核查生成器声称的三元组；反馈由估计转向事实核查。
• 夜间循环的持久世界模型——状态可在上下文清除和会话重启后继续保留。Agent 会遗忘；图不会。

这三种模式都需要 Agent 在运行时访问图，并且工具接口刻意保持精简：查找、邻居、社区搜索，以及一个经过保护的写入工具，用于匹配和分类，而非直接插入。工作者负责读取；由单一写入者提交，否则并发工作者可能会为同一节点创建彼此冲突的规范名称。图内容是从文档中提取的文本，因此即使读起来像指令，也仍然是数据：references/agent-access.md。

扩展与生产环境

缓存固定的系统提示词和架构；通过 Batch API 以半价处理批量提取。在匹配之前，根据廉价信号（共享词元、相同姓氏——使用倒排索引，无需调用模型）筛选候选项，这样模型只需在每组 50–100 个候选项中进行仲裁。NetworkX 可以处理几十万条边；规模更大时，架构可映射到少量 Postgres 表——持久化层会改变，提示词不会。只有当你每天早上都能判断前一夜生成的结果是否正确时，流水线才算完成：黄金集、来源追踪、矛盾台账、人工抽样。完整详情和准备情况检查清单：references/scaling-production.md。

来源

内容综合自 Anthropic 的公开知识图谱构建指南（claude-cookbooks）和《Building Effective Agents》（Anthropic Engineering）。代码模式改编自公开指南。局部/全局搜索的区分以及社区报告参考了 Microsoft 的 GraphRAG；社区检测使用 NetworkX 的 Louvain 实现。