知识图谱：给 AI 装一张常识网络

把事实存成实体—关系—实体的三元组，机器就能沿着关系链推理。本文讲清知识图谱的构建与使用方式、知识表示学习如何补全缺失三元组，以及它与大语言模型为何是天然的互补关系。

把知识存成一张网

知识图谱（knowledge graph）用实体、关系、实体的三元组把事实组织起来，比如某城市—是首都—某国、水—沸点—一百摄氏度。所有三元组连在一起，就成了一张巨大的语义网络，机器可以沿着关系做推理。

它的思想来源是语义网与本体论，但真正流行起来是因为搜索引擎用它增强结果：搜索某部电影的导演，引擎不是匹配关键词，而是在图谱中找到这部电影，再沿着导演关系取出答案。

怎么建，怎么用

构建知识图谱要从文本中抽取实体与关系，再做实体消歧，把同名的公司与水果区分开，并完成链接。这是自然语言处理的经典难题。图谱还需要持续更新，现实世界的事实会变，静态图谱很快过时。

使用时有两种典型方式。一种是查询与推理：沿着关系链回答多跳问题，比如某人的配偶的母校是哪里。另一种是知识表示学习：把实体和关系嵌入向量空间，让模型预测缺失的三元组，完成图谱补全。

与大模型的关系

大语言模型把知识压缩在参数里，回答流畅但难以核对来源，也容易过时。知识图谱恰好相反：结构清晰、可追溯、可编辑，却覆盖面有限。两者结合的思路因此很自然——用图谱提供可验证的事实，用模型补全图谱的稀疏部分。

这也是检索增强生成的思想来源之一：把结构化知识作为外部记忆接入生成过程。在金融风控、医疗术语、工业故障诊断等要求可解释、可审计的领域，这种组合尤为实用。

局限与前景

知识图谱并非万能。常识难以穷举，关系定义依赖人工设计，维护成本不低。因此它更可能在垂直领域持续发挥价值，而不是成为通用智能的终极答案。把符号化的精确与神经网络的灵活结合起来，仍是一条值得探索的路。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。