知识图谱：结构化关系知识

知识图谱将业务对象表示为实体、属性和关系。它的价值在于回答“谁与谁有什么关系”“沿着关系能追到哪里”，并将这些约束交给检索和问答系统。

一个运维知识图谱示例

实体：设备 A、厂站 X、线路 L、故障 F、规程条款 P、处置步骤 S

设备 A —位于→ 厂站 X
设备 A —属于→ 线路 L
故障 F —发生于→ 设备 A
故障 F —参考→ 规程条款 P
规程条款 P —定义→ 处置步骤 S

当用户问“厂站 X 的这条线路上，同类故障如何处置”，图谱可先找出厂站、线路、设备和相关故障/条款，再将对应原文 Chunk 交给 RAG。这比只凭语义相似度搜索更可控，也能解释“为什么选了这些资料”。

建模时先定义三张表

对象	要定义什么	示例
实体类型	唯一 ID、名称、别名、属性。	设备、厂站、线路、规程、故障案例。
关系类型	方向、含义、是否可多对多、证据来源。	位于、属于、连接、依赖、适用、处置。
证据	关系来自哪里、版本、置信度、审核状态。	文档页码、条款号、解析时间、人工确认。

不要一开始追求“全自动抽完所有三元组”。高价值、强约束关系优先；让模型抽取候选，再通过规则和人工抽检确认。没有证据来源的关系不能作为高风险回答依据。

图谱与 RAG 如何配合

1. 从问题中识别实体和约束，如设备、厂站、时间、故障类型。
2. 用图谱找相关实体、关系路径和允许的文档范围。
3. 用向量/关键词在这些范围内召回原始 Chunk。
4. Reranker 选择可直接作答的证据，LLM 生成带引用的答案。
5. 将用户纠正、缺失实体和错误关系回写到数据治理队列。

图谱不是替代原始文档：它负责关系和导航；原文 Chunk 负责依据、细节和可引用的操作步骤。