企业官网建设流程全解析

知识图谱作为智能体长期记忆的一种关系记忆（Relational Memory）形态，擅长表达实体之间的结构化关系，支持多跳推理、关系查询和事实一致性维护。本文从概念、建模、存储、检索到与智能体集成做系统梳理。

目录
一、为什么用知识图谱做记忆

二、核心概念

三、数据建模

四、存储与查询

五、从对话中抽取知识图谱

六、检索与推理

七、与智能体集成架构

八、代码示例

九、更新与遗忘

十、与向量记忆的对比与融合

十一、进阶方向

一、为什么用知识图谱做记忆
向量记忆擅长语义相似度检索，但存在明显短板：

结论：知识图谱适合存储实体、关系、事实类长期记忆，如"用户 A 是 B 公司的工程师"“项目 X 依赖库 Y”。

二、核心概念

三、数据建模

1. 模式设计（Schema）
   为智能体记忆设计一个轻量本体，避免过度复杂：

实体类型:-Person# 用户、联系人-Organization# 公司、团队-Project# 项目-Technology# 技术、工具、语言-Event# 事件、会议-Preference# 偏好关系类型:-WORKS_FOR# Person -> Organization-USES# Person/Project -> Technology-DEPENDS_ON# Project -> Technology-PREFERS# Person -> Preference-PARTICIPATED_IN# Person -> Event-KNOWS# Person -> Person-LOCATED_IN# Organization -> Location

2. 实体消歧（Entity Resolution）
   同一实体可能有多种表述（“张三” / “张先生” / “Zhang San”），需要归一化：

规则匹配：别名表、同义词库

向量相似度：embedding 相近则合并

LLM 判断：让模型判断两个提及是否指同一实体

defresolve_entity(mention,existing_entities,llm):prompt=f"""判断"{mention}"是否与以下任一实体指同一对象， 返回实体ID或"NONE"：\n{existing_entities}"""returnllm.invoke(prompt)

3. 时间维度
   记忆需要时间戳，支持"某时刻的事实"：

triple={"head":"张三","relation":"WORKS_FOR","tail":"B公司","valid_from":"2023-01-01","valid_to":None,# None 表示当前有效"source":"对话-2024-05-01"}

四、存储与查询
4. 图数据库选型

5. Cypher 查询示例（Neo4j）

// 创建实体与关系 MERGE (p:Person {name: "张三"}) MERGE (o:Organization {name: "B公司"}) MERGE (p)-[:WORKS_FOR {since: "2023-01-01"}]->(o) // 查询：张三任职的公司 MATCH (p:Person {name: "张三"})-[:WORKS_FOR]->(o) RETURN o.name // 多跳：张三的同事使用的技术 MATCH (p:Person {name:"张三"})-[:WORKS_FOR]->(o)<-[:WORKS_FOR]-(colleague) -[:USES]->(tech:Technology) RETURN DISTINCT colleague.name, tech.name

3. Python 驱动

fromneo4jimportGraphDatabase driver=GraphDatabase.driver("bolt://localhost:7687",auth=("neo4j","password"))defadd_triple(tx,head,relation,tail):query=f""" MERGE (h:Entity {{name: $head}}) MERGE (t:Entity {{name: $tail}}) MERGE (h)-[r:{relation}]->(t) """tx.run(query,head=head,tail=tail)withdriver.session()assession:session.execute_write(add_triple,"张三","WORKS_FOR","B公司")

五、从对话中抽取知识图谱

1. LLM 抽取流程

对话文本 → LLM 抽取 → 三元组列表 → 实体消歧 → 写入图谱

2. 抽取 Prompt 设计

EXTRACT_PROMPT="""从以下对话中抽取实体和关系，以 JSON 返回。 格式： { "entities": [{"name": "...", "type": "Person|Organization|Technology|..."}], "relations": [{"head": "...", "relation": "WORKS_FOR|USES|...", "tail": "..."}] } 只抽取明确、稳定的事实，忽略闲聊。 对话： {dialogue} """

3. 抽取代码

importjsondefextract_kg(dialogue,llm):resp=llm.invoke(EXTRACT_PROMPT.format(dialogue=dialogue))data=json.loads(resp)returndata["entities"],data["relations"]defwrite_to_graph(entities,relations,session):foreinentities:session.run("MERGE (n:Entity {name: $name}) SET n.type = $type",name=e["name"],type=e["type"])forrinrelations:session.run(f""" MATCH (h:Entity {{name: $head}}) MATCH (t:Entity {{name: $tail}}) MERGE (h)-[:{r['relation']}]->(t) """,head=r["head"],tail=r["tail"])

安全提示：关系类型不能直接字符串拼接进 Cypher（有注入风险），生产环境应使用白名单校验。

六、检索与推理

1. 子图检索
   给定查询，找到相关实体，抽取其邻域子图：

defget_subgraph(session,entity_name,depth=2):query=f""" MATCH path = (n:Entity {{name: $name}})-[*1..{depth}]-(m) RETURN path """returnsession.run(query,name=entity_name).data()

2. 多跳推理

// 张三的同事中，谁使用 Python？ MATCH (p:Person {name:"张三"})-[:WORKS_FOR]->(o)<-[:WORKS_FOR]-(c) -[:USES]->(t:Technology {name:"Python"}) RETURN c.name

3. 图 + 向量混合检索
   先用向量找到入口实体，再在图谱中扩展：

defhybrid_retrieve(query,vectorstore,session,depth=2):# 1. 向量检索定位入口实体candidates=vectorstore.similarity_search(query,k=3)entry_entities=[c.metadata["entity"]forcincandidates]# 2. 图谱扩展subgraph=[]foreinentry_entities:subgraph.extend(get_subgraph(session,e,depth))returnsubgraph

4. 子图转文本注入 Prompt

defsubgraph_to_text(subgraph):lines=[]forrelinsubgraph:forseginrel.get("path",[]):pass# 简化：三元组转自然语言return"\n".join(f"{h}{r}{t}"forh,r,tinsubgraph)

七、与智能体集成架构

┌────────────────────────────────────────────────┐ │ Agent │ │ │ │ 用户输入 ──► 查询理解 ──► 混合检索 │ │ │ │ │ ┌───────────────┼───────────────┐ │ │ ▼ ▼ ▼ │ │ 向量库 知识图谱 KV画像 │ │ └───────────────┼───────────────┘ │ │ ▼ │ │ 子图 + 片段 │ │ │ │ │ ▼ │ │ Prompt 组装 ──► LLM │ │ │ │ │ ▼ │ │ 回复 + 抽取新三元组 │ │ │ │ │ ▼ │ │ 写入图谱 │ └────────────────────────────────────────────────┘

关键点：

图谱与向量库互补，不是替代

检索阶段用向量定位入口，图谱做关系扩展

写入阶段用 LLM 抽取 + 消歧 + 去重

八、代码示例
完整最小实现（NetworkX 版，便于本地跑通）

importnetworkxasnxclassKnowledgeGraphMemory:def__init__(self):self.g=nx.MultiDiGraph()defadd_triple(self,head,relation,tail,**attrs):self.g.add_node(head)self.g.add_node(tail)self.g.add_edge(head,tail,key=relation,relation=relation,**attrs)defquery_neighbors(self,entity,depth=1):ifentitynotinself.g:return[]nodes=nx.single_source_shortest_path_length(self.g.to_undirected(),entity,cutoff=depth)sub=self.g.subgraph(nodes.keys())return[(u,d["relation"],v)foru,v,dinsub.edges(data=True)]defto_text(self,entity,depth=1):triples=self.query_neighbors(entity,depth)return"\n".join(f"{h}--{r}-->{t}"forh,r,tintriples)# 使用kg=KnowledgeGraphMemory()kg.add_triple("张三","WORKS_FOR","B公司")kg.add_triple("张三","USES","Python")kg.add_triple("B公司","LOCATED_IN","北京")print(kg.to_text("张三",depth=2))# 输出：# 张三 --WORKS_FOR--> B公司# 张三 --USES--> Python# B公司 --LOCATED_IN--> 北京

Neo4j 生产版封装

classNeo4jKG:def__init__(self,uri,user,password):self.driver=GraphDatabase.driver(uri,auth=(user,password))defclose(self):self.driver.close()defadd_triple(self,head,relation,tail):assertrelation.isidentifier(),"非法关系名"withself.driver.session()ass:s.run(f""" MERGE (h:Entity {{name: $head}}) MERGE (t:Entity {{name: $tail}}) MERGE (h)-[:{relation}]->(t) """,head=head,tail=tail)defget_context(self,entity,depth=2):withself.driver.session()ass:result=s.run(f""" MATCH (n:Entity {{name: $name}})-[r*1..{depth}]-(m) RETURN n.name AS h, [x IN r | type(x)] AS rels, m.name AS t LIMIT 50 """,name=entity)return[dict(rec)forrecinresult]

九、更新与遗忘

1. 事实更新
   当出现新事实与旧事实冲突时：

// 关闭旧关系（时间维度） MATCH (p:Person {name:"张三"})-[r:WORKS_FOR]->(o:Organization {name:"A公司"}) SET r.valid_to = date() // 新增新关系 MERGE (p)-[:WORKS_FOR {since: date()}]->(:Organization {name:"B公司"})

2. 遗忘策略
   TTL 过期：给关系加 expire_at，定期清理

置信度衰减：给关系加 confidence，随时间或反例衰减

重要性淘汰：按访问频次（LRU）或重要性分数淘汰

显式删除：用户要求"忘掉 X"时删除相关子图

defforget_entity(session,name):session.run(""" MATCH (n:Entity {name: $name}) DETACH DELETE n """,name=name)

十、与向量记忆的对比与融合

融合架构（GraphRAG 思路）：

原始文本 → 向量库存原文

抽取实体关系 → 图谱存结构

检索时：向量找入口 → 图谱扩展邻居 → 合并原文片段

注入 Prompt：结构化三元组 + 原文证据

defgraph_rag_retrieve(query,vectorstore,kg,depth=2):# 向量定位docs=vectorstore.similarity_search(query,k=3)entities=[d.metadata.get("entity")fordindocsifd.metadata.get("entity")]# 图谱扩展graph_ctx=[]foreinentities:graph_ctx.extend(kg.get_context(e,depth))return{"docs":docs,"graph":graph_ctx}

十一、进阶方向
GraphRAG：微软提出的图谱增强 RAG，含社区检测与分层摘要

时序知识图谱：带时间维度的推理（TKG）

事件图谱：把事件作为一等公民，建模因果链

本体自动演化：让 LLM 根据新数据动态扩展 schema

神经符号结合：GNN + LLM，图嵌入用于检索排序

多智能体共享图谱：多个 Agent 共享一个知识图谱作为公共记忆

图谱压缩：大图摘要成子图或文本，适配上下文窗口

参考实现速查

LangChain LLMGraphTransformer 示例：

fromlangchain_experimental.graph_transformersimportLLMGraphTransformerfromlangchain_openaiimportChatOpenAI transformer=LLMGraphTransformer(llm=ChatOpenAI(model="gpt-4o-mini"))graph_docs=transformer.convert_to_graph_documents([document])# graph_docs[0].nodes / graph_docs[0].relationships```知识图谱记忆的核心价值在于结构化、可推理、可解释。实际落地时通常与向量记忆组合使用，形成"向量找入口、图谱理关系、原文做证据"的混合记忆架构。如果你有具体场景（如企业知识助手、个人助理、多智能体协作），可以进一步定制 schema 与检索策略。