哪些业务关系值得组织成图?

企业信息往往分散在表、文档和业务系统里。孤立的片段可能告诉模型“客户 A 的订单下降”,却无法说明订单属于哪个区域、使用哪个收入口径、数据何时更新。上下文图谱把这些对象及其关系组织起来,使应用能沿着“客户—订单—区域—指标定义—证据来源”的路径查找信息,而不是仅依赖文本相似度。

上下文图谱如何连接实体与证据?

图谱的节点可包括客户、商品、设备、指标、报表、政策和人员;边可表示“属于”“由此计算”“引用”“负责”或“受此规则约束”。每项关系最好记录来源、有效时间和维护责任,避免图中只有连接、没有可核验依据。收到问题后,系统先识别相关实体,再沿限定的关系路径查找候选信息,结合用户权限和当前任务筛选内容。智能体最终使用的是经选择的上下文,不必读取整张图。

以设备故障排查为例,设备编号可连接近期告警、维修工单、操作手册和对应责任团队。图谱帮助系统找到“哪个告警对应哪次维修”,而实时状态仍要从实际系统读取。图谱若长期不更新,错误关系会被重复引用,因此需要增量维护和质量检查。

它与知识图谱、向量检索如何配合?

上下文图谱不是统一标准名称,常可视为面向具体任务组织和使用的知识图谱。知识图谱强调实体及关系的建模;上下文图谱更强调把相关关系、来源与治理信息提供给 AI 应用。向量检索适合发现语义相近的文本,图谱适合沿明确关系查询;实际系统可以先用检索找候选节点,再沿图谱验证关系。对于简单问答,不一定需要建立图谱。

关于企业数据与业务关系如何成为可用上下文,可参看AI 上下文层及从数据到上下文的实践(英文)。

常见问题

上下文图谱必须使用图数据库吗?

不一定。只要能维护对象及关系,也可用关系表、搜索索引或其他存储实现;复杂关系查询会影响选型。

图谱能消除幻觉吗?

不能。它提供可查的关系和来源,但抽取错误、过期数据或推理失误仍会影响答案。

从哪里开始建设?

先选一个关系密集、价值明确的场景,定义关键实体与关系、权威来源和更新责任,再用真实问题验证路径是否有用。