概念-图数据库与知识图谱

一句话理解

图数据库（Graph Database）和知识图谱（Knowledge Graph）是两种紧密相关但不同的概念：图数据库存储实体-关系-实体的三元组，是一种数据存储技术；知识图谱是结构化的知识网络，是一种知识表示方法。图数据库是实现知识图谱的底层基础设施之一，而知识图谱是图数据库在知识管理领域的上层应用。

类比：图数据库是”书架”（存储工具），知识图谱是”百科全书”（知识内容）。你可以用不同的书架来放百科全书，也可以用同一个书架放其他类型的书。

核心概念

1. 节点、边、属性（Node, Edge, Property）

图数据库的三个基本元素：

节点 (Node) ──── 边 (Edge) ──── 节点 (Node)
    │                               │
    └── 属性 (Property)             └── 属性 (Property)

节点（Node/Vertex）：表示实体，如”人物”、“公司”、“概念”
边（Edge/Relationship）：表示实体之间的关系，如”任职于”、“收购”、“属于”
属性（Property）：节点和边的附加信息，如人物的”年龄”、关系的”开始时间”

2. 三元组（Triple）

三元组是知识图谱的最小单元，格式为 (头实体, 关系, 尾实体)：

头实体 (Head)	关系 (Relation)	尾实体 (Tail)
Claude	created_by	Anthropic
Anthropic	headquartered_in	San Francisco
San Francisco	located_in	California
Transformer 架构	is_basis_of	概念-LLM概述
RAG (Retrieval-Augmented Generation)	uses	向量数据库演变

3. 本体（Ontology）

本体定义了知识图谱中的实体类型、关系类型和约束规则。它是知识图谱的”schema”——规定什么样的实体可以有什么样的关系。

本体示例（企业知识图谱）:

实体类型: Person, Company, Product, Location, Event
关系类型: works_at(Person→Company), produces(Company→Product),
          located_in(Company→Location), attends(Person→Event)
约束: works_at 只能从 Person 指向 Company

图数据库 vs 向量数据库

这是 AI 应用开发中最常见的架构选择问题：

维度	图数据库（Graph DB）	向量数据库（Vector DB）
核心能力	管理关系	管理相似度
数据结构	图（节点+边）	向量（高维空间中的点）
查询方式	图遍历（Cypher, SPARQL）	相似度搜索（ANN）
擅长回答	“A 和 B 有什么关系？”	“哪些内容与 X 相似？”
典型查询	“查找所有与X有直接关系的人”	“查找与问题语义最相关的文档”
推理能力	支持多跳推理（A→B→C→D）	不支持推理，只做匹配
代表产品	Neo4j, Amazon Neptune, ArangoDB	Pinecone, Milvus, Weaviate, Qdrant
在 RAG 中的角色	Graph RAG（结构化知识检索）	Vector RAG（语义相似度检索）
典型场景	社交网络、推荐系统、欺诈检测	文档检索、语义搜索、相似商品推荐

关键洞察：图管关系，向量管相似

用户问题: "推荐与Claude类似的AI模型"

向量数据库路径：
  查询 "Claude AI model" → 向量相似度 → 返回语义相似的模型列表

图数据库路径：
  节点 Claude → [competitor_of] → GPT → [competitor_of] → Gemini
  节点 Claude → [same_category] → LLM → [members] → [GPT, Gemini, Llama]

两者不冲突，而是互补。在 Graph RAG 中，图数据库提供结构化关系，向量数据库提供语义相似度，两者结合效果最好。

知识图谱在 AI 中的应用

应用场景	说明	图数据库角色
Graph RAG	从知识图谱中检索实体和关系，增强 LLM 回答	结构化知识源
实体链接（Entity Linking）	将文本中的提及（mention）链接到知识图谱中的实体	实体消歧和归一化
多跳问答（Multi-hop QA）	需要多步推理的问题（如”X的创始人的妻子的公司叫什么”）	关系推理引擎
推荐系统	基于用户-物品-属性的关系图进行推荐	关系图谱
反欺诈	通过关系图谱发现异常关联模式	异常检测
对话系统	维护对话中的实体状态和关系	对话状态追踪

2026 年：Graph RAG 让图数据库和向量数据库互补

2025-2026 年，Graph RAG 成为 RAG 领域的重要方向。其核心思想是：

传统 RAG:
  用户问题 → 向量检索 → 相关文档块 → LLM 生成回答

Graph RAG:
  用户问题 → 实体识别 → 图数据库检索实体+关系 → 向量检索补充语义内容
           → 融合结果 → LLM 生成回答

Graph RAG 特别适合需要结构化推理的场景（如”比较两家公司的供应链”），而传统 Vector RAG 更适合语义匹配场景（如”找一篇关于 AI 安全的文章”）。

来源

https://neo4j.com/docs/ — Neo4j 官方文档
https://arxiv.org/abs/2312.10997 — Graph RAG 相关论文
https://arxiv.org/abs/2404.16130 — “From Local to Global: A Graph RAG Approach to Query-Focused Summarization” (Microsoft)
https://graphrag.com/ — Graph RAG 资源汇总
https://www.w3.org/TR/rdf11-concepts/ — RDF 三元组标准（W3C）