Obsidian Wiki知识库双链远远不够——从知识双链到知识图谱的升级之路

开篇

5月30号,我发了一篇文章——《「RAG已死」是炒作?实测后我转向Obsidian+LLM Wiki重构个人知识库》。

那篇文章里,我用了一个词:知识图谱。当时我用的是 Obsidian 的 Graph View——52个词条、3大分类、节点连线、力导向布局,看着就是那么回事。我管它叫"知识图谱",还配了图做了对比表。

文章传播得还行。但接下来一个月左右,我每天都在用这套系统写笔记、做项目、整理方案。用得越深,越觉得不对劲。

Graph View 只是个花瓶,只能告诉我「这篇笔记和那篇笔记相关」,但它从不告诉我「是什么关系」。虽然我也用了Copilot插件,借助LLM检索回答一些知识库内容,但如果问它"工业AI落地需要哪些关键工具",它给不了答案。我想让它帮我把新写的内容自动纳入知识网络,它做不到。

那一刻我意识到:我之前对"知识图谱"的理解,太浅了。

我真正想要的不只是"看着像个图谱"——我想要的是:

  • • 知识能自动积累:写进去的笔记,自动变成可查询、可推理的知识
  • • 知识能问答交互:用自然语言提问,系统能在知识网络里 traversal 找到答案
  • • 知识能辅助工作:做方案、写标书、给客户讲 PPT 的时候,知识图谱能帮我推导出我遗漏的关联点

也就是说,我想做的不是"关系图",而是"知识引擎"。

这个念头一起,就停不下来。我利用端午节假期3天搭了第一版,又花了几天做数据清洗和增量更新。现在系统已经稳定运行,可以正常使用了(需要花费一些token,目前还在薅阿里百炼的免费token)。

这篇文章是一篇使用心得——记录一个从"觉得双链够用了"到"发现远远不够"再到"自己动手搭一个"的探索过程。


🤔 我的观察:关系图与知识图谱,差的不只是名字

先快速说清楚两者的区别,然后重点聊后面真正重要的部分——使用场景。

Obsidian 的关系图告诉你「这篇笔记和那篇笔记相关」,但不告诉你「是什么关系」。关系类型永远是"关联",没有语义。

真正的知识图谱核心构建块(Building Blocks)是 实体(Entity)、关系(Relation) 和 属性(Property)的三元组。举个例子:

「RAG 技术通常使用向量数据库来存储和检索知识,并在工业 AI 场景中落地。」

在关系图里:[[RAG]] 文档 — 关联 — [[向量数据库]] 文档。仅此而已。

在知识图谱里,应该拆成:

  • • (RAG, REQUIRES, 向量数据库) — RAG 需要向量数据库
  • • (RAG, BELONGS_TO, 大模型) — RAG 属于大模型技术
  • • (RAG, USED_IN, 工业AI) — RAG 应用于工业AI

三条独立的、可推理的、带语义的三元组。基于这些,你可以问系统:「工业 AI 落地需要哪些关键工具?」——它能在图谱里顺着关系链推导出答案。

一句话:旧版是「关系图」,新版是「知识图」。 前者帮你发现"相关的",后者帮你理解"为什么相关"。

对比维度
关系图(旧版)
知识图谱(新版)
实体
预定义关键词,52个
LLM自动抽取,5,010个
关系
共现=「关联」
10种语义关系类型
存储
Markdown+JSON
SQLite+图结构
查询
双链跳转
图遍历、邻域查询
推理
无
A→B→C 链式推理
增量更新
手动脚本
定时自动构建
图1:能力雷达对比

好了,区别说清楚了。接下来进入重点——这个系统真正跑起来之后,我每天都在用它做什么。


💡 我的思考:从"能看"到"能用",知识图谱的真正价值在使用场景

很多人构建知识图谱,做到"能可视化"就停下了。但我很快发现——看图谱不是目的,用图谱才是。

所以我在系统里做了三个核心使用场景:QA 问答、知识自动积累、可视化探索。一个一个说。

场景一:QA 问答——不是搜索引擎,是知识推理

这是我最常用的功能。不是"关键词匹配",而是"图谱推理"。

系统的 QA 模块基于 ReAct Agent 架构,配备了 5 个工具函数:

工具函数
作用
search_entities
在图谱中搜索实体,返回匹配列表
get_entity_details
查询单个实体的完整信息(属性、类型、来源)
get_neighbors
获取某实体的邻域关系(关联了哪些实体、什么关系)
find_path
查找两个实体之间的最短路径(知识链条)
answer_by_reasoning
基于关系链进行推理,回答复杂问题

你可以用自然语言提问,Agent 会拆解意图、调用工具、在图谱里 traversal,最后给出带推理过程的答案。

举几个我实际问过的例子:

Q1:「我写过关于 AI Agent 的笔记里,哪些提到了具体的落地工具?」

Agent 的逻辑:先搜"AI Agent"实体 → 获取邻域关系 → 筛选出 USED_IN 或 REQUIRES 类型的关系 → 列出关联的工具实体(如 LangChain、AutoGen、Dify 等)。

图2:QA问答场景1 — 实体搜索与邻域查…

— 以上为试看内容(约 40%),开通会员后阅读全文 —