知识图谱与 GraphRAG 案例

Documentation Index

Fetch the complete documentation index at: https://docs.xpertai.cn/llms.txt

Use this file to discover all available pages before exploring further.

Knowledge 资源适合把非结构化知识转化为可检索、可解释、可引用的图谱上下文。它通常与数据分析资源配合使用：分析结果回答“发生了什么”，知识图谱帮助解释“为什么”和“依据是什么”。

​

场景示例

一个销售分析 Assistant 可以同时访问：

• semantic_model：查询销售额、订单数和利润。
• knowledge：检索销售政策、产品说明、客户合同和运营复盘文档中的实体关系。

当用户问“华东利润下降可能和哪些促销政策有关”时，Agent 可以先做指标分析，再沿知识图谱查找政策、产品、区域和活动实体之间的关系。

​

推荐流程

1. 注册 knowledge resource，绑定已启用 GraphRAG 的 knowledgebase。
2. 触发同步，生成 knowledgebase 和 knowledge_entity。
3. 在本体空间搜索关键实体。
4. 通过 getEntityNeighborhood 查看实体关系。
5. 通过 knowledge graph actions 检索 chunks、mentions 和 evidence。
6. 在回答中引用证据摘要。

​

实体检索

可以通过 queryEntities 搜索：

• 产品名称。
• 政策名称。
• 客户名称。
• 业务主题。
• 文档中抽取的概念实体。

如果实体名称歧义较大，应使用 aliases、origin 或 entity type 帮助判断。

​

证据使用

GraphRAG 证据通常包括：

• entity summary。
• relation description。
• mention samples。
• chunk 内容。
• source metadata。

Agent 应在回答中区分“图谱关系显示”和“业务数据证明”。知识图谱提供解释线索，不应替代事实指标查询。

​

控制上下文规模

知识图谱很容易变大。建议：

• 用 maxRelations 限制同步关系数量。
• 用 mentionSamplesPerItem 控制证据样本。
• 查询时设置 topK。
• 优先读取一跳邻域，必要时再扩展。
• 对低置信度实体要求用户确认。

​

最佳实践

• 保持知识库 GraphRAG 状态 ready。
• 对重要业务术语维护别名。
• 把高价值文档优先纳入知识库。
• 定期检查隐藏实体是否需要同步。
• 在回答中展示证据来源，避免纯自然语言推测。