需要建模复杂实体关系、语义搜索或知识库时…

当领域内实体关系复杂、需要关系推理、语义搜索或事实校验时，用六阶段方法构建知识图谱并结合向量检索增强 AI 系统。

适用场景

解决思路

1. 先做本体设计：定义实体类型（Person、Organization、Location、Product、Concept、Event、Document 等节点）、关系类型（层级类 IS_A/PART_OF/REPORTS_TO，关联类 WORKS_FOR/LOCATED_IN/AUTHORED_BY/RELATED_TO，时序类 CREATED_ON/OCCURRED_BEFORE/OCCURRED_AFTER）和属性（节点属性 id、name、type、created_at、metadata；边属性 type、confidence、source、timestamp），可用 RDF/Turtle 或 OWL 表达，并与领域专家评审、定义 is-a 分类层级。
2. 选择图数据库：Neo4j 适合复杂查询与图算法（注意企业版授权与扩展复杂度）；Amazon Neptune 适合 AWS 托管与合规场景（注意厂商锁定与成本）；ArangoDB 适合图+文档+键值多模型；TigerGraph 适合十亿级边、深度遍历与实时分析。
3. 搭建技术栈与 Neo4j schema：配置图数据库（如 Neo4j Community/Enterprise）、向量库（如 Pinecone）、嵌入模型（如 text-embedding-3-large）、ETL（如 Apache Airflow）；用 Cypher 创建唯一性约束（如 Person.id、Organization.name）和索引（如 Entity 的 name/type、关系的 type/confidence）。
4. 构建实体抽取流水线：从结构化（数据库、API、CSV）、非结构化（文档、网页、文本）、半结构化（JSON、XML、知识库）数据源，用 NER 模型（spaCy、Hugging Face）抽取实体，经实体链接做实体解析，再用去重器消解冲突。
5. 抽取关系：用依存句法分析或 LLM 从句子中抽取关系，按本体校验关系合法性，并为每条关系分配置信度；LLM 抽取时用固定格式（Entity1, Relationship, Entity2, Confidence）并只抽事实性关系。
6. 验证抽取质量：实体抽取准确率需 >85%，确认实体去重生效、关系通过本体校验、置信度已赋值。
7. 实现图+向量混合架构：写入实体时同时写入图数据库和向量库（嵌入实体描述）；查询时先做向量相似度检索取 top_k，再用实体 ID 做最多 2 跳图遍历取子图，最后合并排序返回结果。
8. 设计查询模式与 API：实现按 ID 查实体、查实体关系、两实体间最短路径（shortestPath，最多 5 跳）、多跳遍历（如 Person-WORKS_FOR->Organization-LOCATED_IN->Location）、基于共享关系的推荐查询；API 层提供 find_entity（模糊匹配，如 apoc.text.levenshtein）、find_relationships（指定跳数）、get_subgraph（用 apoc.path.subgraphAll 取连通子图）。
9. 接入 AI 并防幻觉：实现 Knowledge Graph RAG——从查询抽取实体、取 2 跳子图、格式化为上下文、让 LLM 仅依据上下文作答并附来源实体与置信度；实现幻觉检测——把断言解析为（subject, predicate, object），在图谱中查证据，若找到则标记为支持并给出置信度，若找到矛盾证据则标记为被反驳。
10. 遵循关键原则：先定本体再灌数据（后期改本体代价高）；激进做实体去重（如 Apple Inc/Apple/Apple Computer 视为同一实体）；每条关系都带 0.0-1.0 置信度和来源；增量构建，从核心实体起步逐步扩展；采用图遍历+向量检索的混合架构。
11. 按规模选型：MVP（<1 万实体）用 Neo4j Community + SQLite + OpenAI embeddings + FastAPI；生产（1 万-100 万实体）用 Neo4j Enterprise 或 ArangoDB + Pinecone + Airflow + GraphQL；企业级（100 万+实体）用 Neo4j Enterprise 或 TigerGraph + 分布式向量库（Pinecone、Weaviate）+ Kafka + Kubernetes。
12. 按验证清单验收：本体经领域专家验证、图数据库就绪、实体抽取 >85%、关系抽取通过校验、混合检索已实现、查询 API 有文档、AI 集成（RAG 或幻觉检测）已测试、常见查询 <100ms、有数据质量监控、备份恢复已演练。

适用边界 · 注意事项

• 简单表格数据应使用关系型数据库，纯文档检索应使用向量库 RAG，不要用知识图谱。
• 实体之间没有显著关系、或读多写少且无需遍历的场景，不要用知识图谱。
• 团队缺乏图建模经验时不要贸然采用知识图谱。