知识图谱（Knowledge Graph）是用图结构组织知识的技术：节点是实体（人物、公司、产品、地点），边是关系（属于、创始、位于、竞品），还可以挂属性。谷歌 2012 年提出该概念并用于搜索，“姚明的女儿”这类查询靠图谱直接命中答案。
与大模型的关系（互补而非替代）
- LLM 的短板：事实可能过时或幻觉、私有知识不在训练数据里
- 图谱的短板：构建维护成本高、难以覆盖开放世界的长尾、查询方式僵硬
- 结合方式：LLM 从自然语言问题生成图查询（Text2Cypher 等）；图谱给 LLM 提供可验证的事实锚点；GraphRAG 把文档先抽成实体关系图再检索，多跳问题（“A 的合作伙伴的竞品有哪些”）效果远超普通向量检索
构建流程
本体设计（定义有哪些实体类型和关系）→ 实体抽取与链接 → 融合去重 → 入图存储（Neo4j 等图数据库）→ 质量校验。LLM 大幅降低了抽取环节的成本，让“自动建图”从论文走向工程。
典型场景
企业知识管理、风控反欺诈（资金链路图）、医药（药物-靶点-疾病）、智能问答。选型建议：多跳推理和关系密集型需求优先考虑，纯文档问答用普通 RAG 可能更省事。