KG、RAG 与 Agent

知识图谱、向量库、RAG 与 LLM 的关系图 — 向量库帮你找相似证据，知识图谱帮你看关系路径，LLM 帮你把证据组织成可读答案。

KG 与向量检索

向量检索擅长找语义相似文本，知识图谱擅长表达实体关系和规则。企业知识问答中，两者经常组合：向量库找相关文档片段，知识图谱找实体路径、依赖关系和结构化约束。

能力	向量检索	知识图谱
擅长	相似文本、非结构化文档	实体关系、路径、规则
输出	文本片段	子图、三元组、关系路径
风险	语义相似但事实不对	图谱构建成本高

GraphRAG

GraphRAG 将文本检索和图结构结合起来。它可以先抽取实体和关系，再围绕问题检索相关子图和文档证据。适合关系密集型问题，例如“某设备故障和哪些工艺参数相关”，“某法规条款适用于哪些业务流程”。

解决的问题

普通 RAG 经常遇到两个问题：检索到的片段互相矛盾，或者模型无法理解实体之间的业务关系。KG-RAG 通过实体消歧、关系路径和规则约束补强检索结果，让回答更容易解释和复核。

应用场景

设备故障原因分析：从设备、工况、传感器、维修记录中找关系链。
法规政策问答：从条款、主体、义务、例外中构造解释路径。
材料实验知识库：关联材料、工艺、缺陷、实验和结论。
金融风控：分析账户、交易、法人、地址和风险传播路径。

KG 与 Agent

Agent 可以把知识图谱当作计划约束、权限检查和证据来源。比如实验分析 Agent 在运行 DIC 前，先查试样、材料、加载制度、历史实验和标准规范的关系，再决定分析参数和报告模板。

python

# KG + RAG 的伪代码：文本证据和图关系一起进入上下文
docs = vector_store.search("材料A裂纹扩展异常原因")
subgraph = graph.query("材料A", relation_depth=2)

context = {
    "documents": docs,
    "relations": subgraph,
    "question": "材料A裂纹扩展是否异常？"
}
answer = llm.generate(context)

Python 库

networkx 适合原型图分析，rdflib 适合 RDF 三元组，neo4j/py2neo 适合连接图数据库，llama-index 和 langchain 可用于 RAG 数据层。

KG、RAG 与 Agent ​

KG 与向量检索 ​

GraphRAG ​

解决的问题 ​

应用场景 ​

KG 与 Agent ​

Python 库 ​