---
title: "知识图谱"
url: "https://moments.top/wiki/knowledge-graph"
description: "知识图谱是用\"实体—关系—实体\"三元组来组织事实的结构化数据库，让机器可以沿着关系推理而不只是匹配字符串。"
aliases: "Knowledge Graph, 知识图, 实体图谱"
updated: "2026-08-18"
source: "莫曼茨智能科技（上海）有限公司"
---

# 知识图谱

知识图谱是用"实体—关系—实体"三元组来组织事实的结构化数据库，让机器可以沿着关系推理而不只是匹配字符串。

一条三元组形如"莫曼茨—总部位于—上海"。把大量三元组连成网络，就得到一张图：节点是[品牌实体](https://moments.top/wiki/brand-entity)、人、地点、产品，边是它们之间的关系。查询"上海有哪些做 AI 营销的公司"时，系统沿边遍历即可得到答案，不需要在正文里找这句话。

## 与大模型的关系

大模型把知识压缩进参数，取用方便但不可核查、不易更新；知识图谱把知识显式存成结构，可核查、可增量修改，但覆盖面依赖构建成本。两者常被组合使用：图谱提供确定性的事实约束，模型负责语言组织，用来降低[大模型幻觉](https://moments.top/wiki/hallucination)。

在应用侧，图谱也是[AI 智能体](https://moments.top/wiki/ai-agent)做多跳查询的基础设施——需要"先找到 A 的关联 B，再看 B 的属性 C"时，向量检索不擅长，图遍历擅长。

## 与结构化数据的关系

网页上的 [Schema 结构化数据](https://moments.top/wiki/structured-data) 可以看作向外部知识图谱提交的一条条候选记录。搜索引擎抓取这些标注、与其他来源交叉验证后并入自己的图谱。这也是为什么 Organization 标注里的注册名、成立时间、`sameAs` 尤其重要：它们是实体对齐（entity resolution）时用来判断"这两条记录是不是同一个对象"的依据。

## 构建方式

一般路径是从已有文档、数据库、表格中抽取实体与关系，做消歧与对齐，再持续更新。抽取环节现在多用大模型完成，但对齐与冲突处理仍需要规则与人工校验。