本体驱动 ERP
知识图谱、向量库、本体:
RAG 时代到底该用哪个?
烧了 300 万,AI 却只会说废话——90% 的企业,都选错了检索底座。
📌 读到这里,你将搞清三件事:
① 向量库、知识图谱、本体,本质区别到底在哪; ② 为什么"86% vs 32%"这个数字,坑了很多人; ③ 企业落地,该按什么顺序搭,才能不重蹈那个 CTO 的覆辙。
先讲一个我最近听到的真实故事。
某制造业集团的 CTO,去年拍板立项了一个 RAG(检索增强生成)项目。团队用了三个月,把 ERP、MES、合同系统里的文档全部切片、向量化、灌进向量库,接上大模型,做了一个"企业智能问答"。
上线第一天,老板问:"我们这个月毛利为什么跌了?"
AI 流畅地回答:"毛利下跌可能与原材料价格波动、生产效率、市场竞争等因素有关……"
全是废话。
老板追问:"那到底是因为什么?"
AI 再次流畅地胡说八道,还编造了三个不存在的供应商名字。
CTO 灰头土脸。烧了三百万,落下一个"智能废话生成器"。
问题出在哪?不在大模型,不在向量库,而在一个被所有人忽略的前提:检索的底座选错了。
今天我们就把这件事讲透:在 RAG 时代,知识图谱、向量库、本体——这三样东西到底有什么本质区别?各自的边界在哪?企业 ERP 到底该用哪个?
01
三个东西,到底差在哪?
很多人把这三者混为一谈,觉得都是"存知识、做检索"。其实它们的分工,差得比想象中大得多。
但选型最大的坑,从来不在"擅长什么",而在"不擅长什么"。所以下面我把各自的短板,也一并说透。
向量库回答"像不像", 知识图谱回答"连不连", 本体回答"是什么"。 我们一个个说。
▍ 向量库:模糊匹配的高手
向量库(Vector Database)干的事,本质上就一件:把文本变成一串高维数字(向量),然后算"距离"。距离越近,语义越像。
你问"如何提升客户留存率",它能从几万份文档里,迅速捞出那几段讲"客户忠诚度""复购""流失预警"的内容——哪怕字面一个字都没对上。
它擅长模糊的、语义层面的相似。亚毫秒级检索,零冷启动,什么内容都能塞——文本、图片、音频、代码,统统变成向量往里一丢。
但它的短板,恰好都长在企业的痛点上:
第一,扁平语义。两个相关的概念,在向量库里只是"距离比较近的两个点",而不是"用一条边连起来的两个节点"。"客户 A 是供应商 B 的实际控制人"这种关系,它完全无能为力。
第二,没有多跳。"谁持有这家公司、这家公司又欠谁的钱"这种链式追问,向量库结构上就答不了。
第三,没有治理原语。它不管数据归属、不做权限校验、不保证新鲜——一份三年前的旧向量,照样会被当成"正确答案"捞回来。这就是为什么陈旧向量能产出流畅但错误的回答,业内管这叫幻觉风险高。
▍ 知识图谱:关系侦探
知识图谱(Knowledge Graph)换了个思路:它不存"相似度",它存"关系"。
一个节点是一个实体——客户、订单、物料、供应商。一条边是一种关系——"下单""供货""持股""影响"。
它的杀手锏是多跳推理。问"这个核心供应商停工,会影响哪些产品线、哪些客户、哪笔订单",它能沿着关系链一路追下去,几跳之内给出答案。而且可解释、可审计——每一条结论都能溯源到具体的节点和边,这在财务、合规、医疗这些"为什么"比"是什么"更重要的场景里,是刚需。
它的短板同样明确:
冷启动成本高。实体抽取、关系梳理、本体设计,样样要人和时间,不是灌个库就能跑。本体维护负担重——业务一变,关系和规则就得跟着改,迭代成本高。更关键的是,它没有原生权限控制,谁该看见什么、谁不能看见什么,图谱自己说了不算,得靠外面再加一层。
▍ 本体:语义的宪法
本体(Ontology)是三者里最容易被忽略、也最底层的一个。
它不存数据,不存关系,它存的是概念的定义和规则:什么是"客户"?客户有哪些类型?"订单"和"合同"是什么关系?"毛利"这个指标,分子分母到底怎么算?
如果说向量库是"词典"(找近义词),知识图谱是"地图"(标出谁连着谁),那本体就是"语法和宪法"——它规定了所有词的含义、所有关系的合法性。
没有它,知识图谱里会出现"客户"和"客户"明明指两个东西、却以为是一个节点的灾难。没有它,向量库检索得再准,也分不清"营业额"和"营业收入"在你的企业里到底是不是一回事。
这里有个容易被忽略的细节,值得单独点一句。2026 年 4 月有一场盲评:同一段语料、同一个大模型、同一个嵌入器,分别跑 FalkorDB 和 Neo4j 两个图引擎,25 道题的平均得分是 3.45 对 3.80——差距极小。
这说明什么?说明图引擎本身已经卷不出差异了,真正的差异在你喂它的那套本体。同样的引擎,喂一套乱七八糟的本体,跑不出好结果;喂一套精雕细琢的本体,效果天差地别。
本体,是另外两者的语义地基——而地基的好坏,决定了上面能盖多高的楼。
02
RAG 时代,为什么三者吵起来了?
理解了三者分工和短板,再来看这场"争吵"就清晰了。
但有一个数字,坑了很多人。先把它讲明白,你才不会踩坑。
2024 年,业界有个共识:向量库 ≈ RAG。谁提 RAG,谁就是 Pinecone、Weaviate、Milvus,配上一个大模型。简单、快、好上手。
转折发生在 2025 年。微软研究院抛出 GraphRAG,在一项企业级"复杂推理"基准测试上,层级化 GraphRAG 拿下 86% 的准确率,而纯向量 RAG 只有 32%。差距大到让人怀疑人生。
但这个数字,必须看懂它在说什么、不在说什么。
86 对 32 的鸿沟,只发生在复杂推理、多跳追因的场景里。如果你问的是单跳 FAQ——"这份合同的甲方是谁""这个产品的规格是多少"——向量库和图谱的差距小得多,甚至向量库更快。
不点破这一句,读者很容易得出一个错误结论:图谱全面碾压向量。真相是:各有所长,场景错位才是差距的来源。
再看两个更反直觉的数字。
2024 年有个流传很广的说法:"建图比灌向量贵 100 到 1000 倍。"但 2025 年 6 月微软又抛出 LazyGraphRAG,把索引成本压到全量 GraphRAG 的 0.1%,而质量基本持平。"图天生贵"这个老观念,在 2026 年已经过时了——前提是你选对实现方案。
另一边,Squirro 在银行、金融场景的实测里,"本体 + 向量"组合的 GraphRAG 拿下了最高 99% 的精度。注意是"本体 + 向量"的组合,不是…