概念

知识图谱（Knowledge Graph, KG）：将知识进行结构化表示。具体来说，知识图谱是一种以实体（Entity）和关系（Relation）为核心的语义网络，通常以三元组 (head entity, relation, tail entity)，即 ⟨h, r, t⟩ 的形式表示结构化知识。

核心组成：

实体（Entity）：现实世界中具有唯一标识的对象，如人、地点、公司等。
关系（Relation）：实体之间的语义连接，如“属于”、“位于”、“担任”。
属性（Attribute）：实体的静态信息，如“出生日期”、“公司市值”。
本体（Ontology）：定义实体类别、关系类型及其约束的元知识结构。

发展

大模型时代之前：知识图谱是主力军

在传统NLP时代（大约2010-2020），模型的表达能力有限，缺乏世界知识、语义理解和推理能力。此时知识图谱被广泛用于补足模型缺陷：

任务	知识图谱的作用
语义搜索	弥补关键词搜索的不足，实现“概念级”搜索
问答系统	结构化知识可支持精确匹配和逻辑推理
对话系统	用于保持上下文一致性，引导对话流程
推荐系统	提供“语义关联”的物品推荐路径

🔧 技术特点：

依赖大量人工/半自动构建
常与规则系统、逻辑推理、图数据库（如 Neo4j）结合
强调显式语义建模与可解释性

大模型时代之后：知识图谱成为增强模块

从2020年起，GPT、BERT、T5等大模型逐渐成为NLP核心技术，具备了知识记忆和语言理解能力，这改变了知识图谱的定位。

大模型不再依赖知识图谱来“表达知识”，但知识图谱依然发挥关键辅助作用：

新任务场景	知识图谱的新作用
RAG（检索增强生成）	知识图谱可作为精确语义检索源，提高LLM回答准确性
知识注入（Knowledge Injection）	将KG中的知识融入大模型表示中，提升对低频或稀疏知识的理解
知识校验与纠偏	为大模型生成内容提供事实检查、增强可解释性
对话Agent结构规划	在多轮对话中，KG用于理解实体之间的语义路径和对话意图管理
Few-shot Prompt Design	从KG中提取结构化样例或提示，辅助prompt工程