RAG、GraphRAG、LLM Wiki 与 Ontology:四种知识库技术怎么选
四种技术解决的不是同一个问题:LLM Wiki 整理个人资料,RAG 做企业文档问答,GraphRAG 追踪跨文档的实体关系,Ontology 统一多系统的业务语义。文章用项目 A 的同一组例子拆开原理、边界与组合方式,并说明两种「图谱」为什么不是一回事。
支持对已公开的 133 篇文章进行关键词模糊搜索、分类与标签筛选。
四种技术解决的不是同一个问题:LLM Wiki 整理个人资料,RAG 做企业文档问答,GraphRAG 追踪跨文档的实体关系,Ontology 统一多系统的业务语义。文章用项目 A 的同一组例子拆开原理、边界与组合方式,并说明两种「图谱」为什么不是一回事。
本体、知识图谱、知识库、数据中台这些概念大多早于大模型出现,却在 LLM 时代重新变热。作者用自己搭建的企业知识图谱解释四者的关系,并从入库、查询、可追溯和 Agent 执行四个方面,说明大模型究竟改变了什么。
参加 +81 Builders 的黑客松,体验了 ai& 用 CLI 与 skills 把 AI 服务变成可部署服务器的做法,以及 MiniMax 视频生成的速度与低成本;更受冲击的是参赛者四小时内用 Neo4j 做出的照片关系解析、音乐分析、流调动态图谱与火灾推演。作者由此感到,仅靠 coding agent 的熟练已不够,开始补课知识图谱。
要让企业问答助手分清“苹果”是公司还是水果,并理解三张都叫 Customer 的表,机器需要的不是上下文,而是一个明确的语义模型——本体。本文从哲学起源讲到 Gruber 与 Studer 的定义,拆解类、个体、属性与公理,介绍 RDF、RDFS、OWL 及推理机的作用,梳理生物医学、Schema.org、企业集成、工业物联网和大模型时代的典型应用,并说明本体与知识图谱的区别以及动手构建的方法与常见错误。