知识图谱是一种用“实体”和“关系”组织知识的方法。它不像普通文档那样只保存一段段文字，而是把人、公司、产品、地点、概念之间的关系连成一张可查询的知识网络。
比如“OpenAI 开发了 ChatGPT”“ChatGPT 属于生成式 AI 产品”“生成式 AI 依赖大语言模型”这些信息，在知识图谱里会被拆成一个个节点和边。节点是实体，边是关系。这样系统不仅知道某个词出现过，还能知道它和其他事物有什么连接。
先用一句话抓住它
知识图谱像一张概念关系地图：不只记录“有哪些东西”，还记录“它们之间是什么关系”。
生活里的类比是家谱和城市地图的结合。家谱告诉你谁是谁的父母、兄弟、配偶；城市地图告诉你哪些道路连接哪些地点。知识图谱则把各种对象和关系放进同一张网络里，方便追问、推理和查找路径。
它为什么重要
普通文档适合阅读，但不一定适合机器理解关系。搜索一篇公司介绍时，你能看到一段文字；但如果要问“这家公司旗下有哪些产品、这些产品用了哪些模型、哪些模型又支持哪些能力”，纯文本检索就不够直接。
flowchart LR
OpenAI["OpenAI"] -->|开发| ChatGPT["ChatGPT"]
ChatGPT -->|属于| GenAI["生成式 AI"]
ChatGPT -->|基于| LLM["大语言模型"]
LLM -->|使用| Token["Token"]
RAG["RAG"] -->|常结合| KG["知识图谱"]
KG -->|组织| Entity["实体与关系"]知识图谱的价值在于把隐含关系显式化。它可以帮助系统回答“谁和谁有关”“某个概念属于哪一类”“从 A 到 B 之间有什么路径”“哪些条件同时满足”等问题。对企业知识库、搜索推荐、风控、客服和数据治理都很有用。
和向量数据库的区别
向量数据库擅长找“意思相近”。比如用户问“报销流程”，资料里写“费用审批”，向量搜索能把它们匹配起来。知识图谱擅长找“关系明确”。比如“这个客户关联哪些订单”“这个产品依赖哪些供应商”“这个概念属于哪个上位分类”。
两者经常一起用。向量检索先找到语义相关内容，知识图谱再补充实体关系和结构化路径。前者更像按含义找书，后者更像查一张关系网。
和 RAG、GraphRAG 的关系
RAG 通常是“先检索资料，再让模型回答”。传统 RAG 常依赖关键词搜索或向量搜索，找出若干相关片段。知识图谱可以让 RAG 不只找到相似片段，还能沿着实体关系扩展上下文。
GraphRAG 可以理解为把图结构引入 RAG 的一类做法。它会从文档中抽取实体和关系，形成图谱，再在回答问题时结合图上的社区、路径或相关节点。这样做的好处是更容易处理跨文档、跨实体、需要关系推理的问题。
它常出现在哪里
搜索引擎会用知识图谱理解人、地点、电影、公司和概念之间的关系。企业内部可以用它整理组织架构、产品线、客户、合同、知识库和业务规则。推荐系统可以通过“用户、物品、标签、行为”的关系网络发现相关内容。
在 AI 应用里，知识图谱也常被用来增强问答、减少幻觉、支持可解释推荐和做权限过滤。比如客服系统回答产品问题时，可以沿着“产品 - 版本 - 功能 - 常见问题 - 解决方案”的关系来组织上下文。
容易误解的地方
知识图谱不是把一堆文档画成漂亮的网络图就结束了。真正有用的图谱需要稳定的实体定义、关系类型、数据来源、更新机制和质量检查。否则图看起来很复杂，实际查询却不准。
另一个误区是以为知识图谱一定比向量检索更高级。它们解决的问题不同：图谱强调关系结构，向量强调语义相似。很多实际系统会把两者结合，而不是二选一。
怎么判断它该不该用
如果你的问题主要是“这段文字和哪个问题意思相近”，向量数据库可能更直接。如果你的问题经常涉及实体、分类、层级、因果、依赖、归属和路径，知识图谱就很有价值。
使用知识图谱时，要先从小范围开始：明确实体类型、关系类型和典型查询问题。不要一开始就试图把所有知识都塞进去。能回答真实业务问题的图谱，才是有用的图谱。