FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-06-26

企业知识图谱的拐点: 当本体工程遇上 LLM 与 MCP

企业知识图谱正迎来变革,LLM与本体工程结合,让数据真正"活"起来,解决业务关联难题。

核心内容:

  1. 传统本体工程从"大而全"到"小步快跑"的敏捷转向
  2. 大模型如何将本体构建从数月压缩至数天的范式跃迁
  3. 核心实践:从"客户""合同"等核心概念入手,避免"厨房水槽"式陷阱

这些年企业花大力气把数据存起来,数据湖、数据仓库,存得又多又便宜。可真到用的时候才发现,光存下来没用,还得搞清楚这些数据之间到底有什么关系。行、列、外键那套东西,存订单存客户的结构化数据挺好,但要用Agent问一个绕好几道弯的问题:比如"这批原料出了问题,会牵连到哪些还没发货的订单",它就开始吃力了,查询越绕越慢,业务本来的意思也在一次次关联里被磨没了。麦肯锡 2024 年那份 AI 报告说得很实在:不少企业的 AI 项目卡在试点出不来,头号原因就是数据质量差、又说不清业务背景。知识图谱想补的,正是这块短板。

第一部分 · 本体工程的敏捷转向

本体越想做大,越容易翻车

先说本体。你可以把它当成知识图谱的"骨架图",规定了这套图谱里有哪些概念、概念之间怎么连。

早些年大家做本体喜欢往大了做,想着一次性把公司里所有概念都梳理进去,建一个无所不包的大模型。听着很美,做起来要命——常常一画就是好几个月,等画完了业务早变了样,模型还没上线就过时了。后来思路变了:别一口吃成胖子,像写代码那样小步快跑,能跑通一小块就先上一小块。

学术界有个挺实用的方法叫 SAMOD,做法很朴素:把本体拆成一个个小步骤,每做一小块,先想清楚"这块是用来回答什么问题的",建个迷你模型,再写几条测试去验。测试全过了,才算这关过了,接着往下走。整个过程里,工程师和懂业务的人一直凑在一块儿商量,而不是技术自己关起门来画。

几条踩出来的经验:一次别贪多,类和属性塞太多反而乱;从中间往两头扩,先把"客户""合同"这种最核心最常用的概念定下来,再慢慢往细节和抽象延伸;最不能干的,是图省事把底层系统那张又宽又长的大表直接照搬成本体,那样图谱就成了一张死表,"顺着关系一路找下去"的本事全没了,圈里管这叫"厨房水槽",什么都往里塞。

把减法做到极致的范本,是 Semantic Arts 团队的 gist。整套企业级本体,它只用了大概 100 个核心类。"人""组织""协议"这种,加上差不多数量的属性,就把企业里绝大多数业务概念兜住了。它还特意在顶层声明哪些概念互相不搭界,好让机器提前发现逻辑打架;该松的地方尽量松,连冗余的反向关系都省了。规矩定得越少,换个系统拿来就能用。

· · ·

第二部分 · 范式跃迁

几个月的活,大模型几天干完

2024 年底到现在这波生成式 AI,把过去那套"人肉梳理概念、手写映射规则"的老办法彻底冲了。原来要熬几个月的本体,现在交给大模型跑一条流水线,大致就这么几件事。

先让它把词捞出来。把公司现成的流程手册、研究报告喂进去,靠它的零样本本事直接从里头抠出专业词汇和缩写,顺手把词形也理顺。光让它自由发挥不行,还得管住输出——配上严格的提示词,再加 Pydantic 这类校验工具,逼它老老实实吐出规规矩矩的 JSON:哪些是类、哪些是属性、各自管什么范围,一清二楚。

接下来让它自己理层级。模型分析抠出来的这些概念,自个儿推导谁是谁的子类——"电动车"是"车"的一种——一层层搭出分类树。碰上特别复杂的场景,现在业界干脆专门训一个"本体大模型",让它吃透关系型数据库和图结构之间的门道,把老数据高精度地翻译成图谱。

当然,人没被踢出局。大模型吐出来的东西,还得本体工程师拿 gist 这种成熟框架对一遍、改一改。变的只是分工,人从"从头搭"挪到了"把关审",省下来的几十倍时间。

· · ·

第三部分 · 最后一公里

图谱怎么用,其实比怎么建更难

大模型解决了图谱"怎么建",可"建好了怎么用"是另一道坎。这道坎,是 MCP 迈过去的。

打个比方。MCP 没出来之前,想让一个 AI 去查知识图谱,开发得给每一种大模型、每一个应用单独写一套接口。模型有 N 种、应用有 M 个,就得写 N×M 套,累死人。2024 年 11 月出的 MCP,相当于给 AI 圈定了个"USB-C 口"——一个统一的、双向的标准插口,谁来都能接。

接上之后,知识图谱本身就被打包成一个"MCP 服务端"。它把"怎么查图谱""图谱里有哪些节点和关系"这些能力,做成几个标准工具摆在那儿,任何支持 MCP 的客户端拿来就能调。用的时候是这样:你一提问,AI 先去问服务端"这图谱长啥样",摸清结构后,自己写出准确的查询语句去捞数据。这么一来,知识图谱就成了一个随叫随到的"活记忆",AI 也不会因为不了解情况就开始瞎编。

整个系统,现在分五层

现在的知识图谱系统,早就不是"装个数据库"那么简单了,而是分了五层,各管各的事。从底下往上数——

① 数据源层 公司里那些现成的家底,ERP、CRM、数据湖,还有 PDF、邮件这些没格式的文档,以及外部接口。图谱把它们当原料,不抢它们的饭碗。

② 本体与语义建模层 业务专家和大模型一块儿搭出来的概念模型,规定了有哪些实体、什么属性、要守什么规矩。它是给大模型设的"护栏",防止它乱来。

③ 图计算与存储底座 真正存数据、跑计算的地方,可以是原生图数据库,也可以是内存里的分布式引擎,或者干脆不搬数…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2026062632790.html