Graph Engineering 取代了 Microsoft、Stanford 和 Anthropic 的 RAG，其工作原理如下。

现在任何人都可以构建一个 AI 系统，它在回答复杂问题时的准确率比常规 RAG 高出 18%，成本降低 85%。不需要博士学位，不需要百万美元预算，也不需要一整个研究团队。

横亘在你与这个结果之间的唯一障碍，是一个微软、斯坦福和 Anthropic 都独立发现的概念——而大多数开发者尚未掌握它。

常规 RAG 寻找文本。图工程寻找关系。以下是其背后的完整系统。

收藏本文并关注我

- 我是 Sprytix，一名开发者，专注于构建 AI 系统和自动化流程，将技术转化为实际收入。私信开放。

为什么常规 RAG 会遇到瓶颈

常规 RAG 的工作方式如下：

1问题
2↓
3搜索匹配文本的文档
4↓
5返回最相关的片段
6↓
7模型根据片段生成答案

这对简单问题很有效。但对于复杂问题，它就完全失效了。

问一句“为什么我们三月份的产品销量下降了？”，RAG 会找到包含“销量”和“三月”的文档。它找到的是碎片，而非因果链条。

1RAG 答案：
2这里有 5 份提到三月份销量的文档。
3
4图工程答案：
5销量下降是因为发布延迟
6由供应商依赖导致
7而供应商依赖源于仓库问题
8这引发了负面评价
9最终导致转化率下降了 23%。

相同的模型，相同的数据，结果却截然不同——因为一个系统搜索文本，另一个系统搜索现实。

这就是微软、斯坦福和 Anthropic 都独立发现的结论。这也是为什么他们三家公司都转向了图工程。

文档 1：微软 GraphRAG

1. github.com/microsoft/graphrag
2. github.com/microsoft/graphrag/blob/main/docs/index/architecture.md

微软构建了 GraphRAG 并将其开源。他们研究得出的结果，是目前关于图工程相比常规 RAG 实际效果的最具体数据。

该架构将非结构化文本转换为完整的知识图谱：

1加载文档
2↓
3文档分块
4↓
5提取实体和关系
6↓
7构建图谱
8↓
9检测社区
10↓
11生成社区报告
12↓
13嵌入实体和报告
14↓
15局部搜索 / 全局搜索

微软记录的关键见解是：常规 RAG 擅长回答局部问题——为我找到关于这个特定实体的信息。但在全局问题上它表现不佳——整个数据集的主要主题是什么，这 10,000 份文档之间存在哪些模式关联。

图工程则能同时回答这两类问题。

1局部搜索  |  三月份供应商 X 发生了什么
2         |  找到特定节点及其连接
3
4全局搜索  |  我们所有供应商关系中
5         |  存在哪些主要风险模式
6         |  在整个图谱中寻找模式

微软 GraphRAG 研究的实际结果：

1准确率提升      |  比原始文档方法高 18%
2Token 成本降低   |  比直接加载结构化文件低 85%
3每次任务成本    |  测试配置下约为 $0.004

arxiv.org/abs/2603.22528

这些数据来自 ChatP&ID 论文——将 GraphRAG 应用于工业工程图纸。相同的原理适用于各个领域。

文档 2：斯坦福 DSPy 与图谱的连接

1. github.com/stanfordnlp/dspy
2. arxiv.org/abs/2310.03714

斯坦福的 DSPy 论文确立了这样一个观点：模型是图谱中的一个节点，而非宇宙的中心。这是连接图工程的理论基础。

DSPy 将 AI 流程视为一个由模块组成的图谱：

1问题
2↓
3检索器        - 查找相关信息
4↓
5推理          - 处理并连接信息
6↓
7验证器        - 检查结果
8↓
9答案

它与图工程的联系是直接的：DSPy 优化流程图谱，GraphRAG 优化知识图谱。两者都将模型视为更大结构中的一个组成部分，而非全部解决方案。

斯坦福的 STORM 论文更进一步：

1. github.com/stanford-oval/storm
2. arxiv.org/abs/2402.14207

STORM 在动笔撰写任何文字之前，通过一个结构化的研究步骤图谱，从零开始构建知识。研究、资料收集、大纲、写作、验证、修订——每一步都基于前一步发现的关系来推进。

所有斯坦福研究共有的见解是：复杂任务需要一个由连接步骤组成的系统，而非一次单一的模型调用。这个图谱就是系统本身。

文档 3：知识图谱的斯坦福缩放定律

arxiv.org/abs/2505.16276

这篇论文比较了 26 个开源模型在知识图谱工程任务上的表现。其结论是该领域最重要的发现之一：

1更大的模型 + 糟糕的图谱   |  结果更差
2更小的模型 + 优秀的图谱   |  结果更好

优秀的图谱每次都胜过更大的模型。

这与微软通过 GraphRAG 和 Anthropic 通过 Claude Code 得出的结论相同——模型周围的系统比模型本身更能决定输出结果。图工程是这个原则最具体的实现。

文档 4：MIT Press 关于关系记忆的研究

direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476

发表于《计算语言学协会汇刊》。

该研究展示了将语言模型连接到关系记忆（一个存储关系而非文本片段的知识图谱）时会发生什么。

1文本上下文
2↓
3从图谱中检索相关关系
4↓
5关系记忆
6↓
7语言模型
8↓
9更连贯、更准确的生成结果

关键发现是：能够访问显式关系结构的模型，比仅依靠文本工作的模型，能生成更连贯的文本，犯更少的逻辑错误。

这是解释图工程为何有效的科学依据。模型不必从文本中推断关系。关系在图中是显式的。模型可以直接使用它们。

文档 5：KEPLER

1. direct.mit.edu/tacl/article-abstract/doi/10.1162/tacl_a_00360/98089
2. github.com/THU-KEG/KEPLER

KEPLER 将语言模型训练与知识图谱嵌入相结合。它不将语言理解和事实知识视为独立问题——而是同时优化两者。

1语言模型
2+
3知识嵌入
4+
5知识图谱
6=
7同时理解语言和事实的模型

实际意义是：一个能够访问适当结构化知识图谱的模型，无需猜测实体间的关系。它可以直接查找。在事实性问题上的准确率差异非常显著。

文档 6：Anthropic 和 Claude 在图谱中的角色

1. www.anthropic.com/customers/graph
2. github.com/anthropics/anthropic-cookbook
3. github.com/modelcontextprotocol

Anthropic 并没有一个名为“图工程”的产品。他们拥有的是三层架构，Claude 可以直接集成到图谱架构中。

第一层：Claude 从文本中提取图谱

1文档
2↓
3Claude 提取实体和关系
4↓
5JSON 三元组：
6{
7  "subject": "Anthropic",
8  "relation": "created",
9  "object": "Claude"
10}
11↓
12知识图谱

Claude 处理实体提取、关系提取、去重、归一化和本体草案编写。以前需要专门 NLP 流程的任务，现在只需一次 API 调用即可完成。

第二层：Claude 查询图谱

1用户问题
2↓
3Claude
4↓
5Cypher / SPARQL 查询
6↓
7知识图谱
8↓
9结果
10↓
11Claude 用通俗语言解释

Claude 将自然语言翻译成图谱查询，在 Neo4j 或任何图数据库上运行，并解释结果。用户无需了解任何查询语言知识。

第三层：MCP 将 Claude 连接到图谱

github.com/modelcontextprotocol

1Claude
2↓
3MCP 协议
4↓
5图数据库
6↓
7实体 + 关系
8↓
9拥有完整图谱上下文的 Claude

MCP 是传输层，它使 Claude 能够永久访问任何知识图谱，而无需每次会话都重新建立连接。

LaunchNotes 案例——真实的生产数据

www.anthropic.com/customers/graph

LaunchNotes 构建了一个名为 Graph 的产品，用于连接 GitHub、Jira 和 Linear。Claude 分析这三个系统中工程工作之间的关系。

1GitHub 提交
2+
3Jira 工单
4+
5Linear 任务
6↓
7工程工作图谱
8↓
9Claude
10↓
11事件检测 + 项目洞察

Anthropic 案例研究的结果：

1事件检测速度         |  提升高达 5 倍
2会议时间             |  减少约 50%
3发布说明             |  数秒内自动生成

这些数据来自于连接结构化的关系数据，而不仅仅是搜索文档。

知识图谱到底是什么

在构建之前，先了解基本概念。

知识图谱以三元组的形式存储信息：

1主体 → 关系 → 客体

示例：

1Anthropic → created → Claude
2Claude → supports → MCP
3MCP → connects → 外部工具
4Microsoft → built → GraphRAG
5GraphRAG → reduces token cost by → 85%

每一条信息都是两个实体之间的显式关系。不是一段可能包含该信息的文本段落，而是一个显式的、结构化的、可查询的事实。

1常规数据库：
2公司表
3产品表
4它们之间没有显式关系
5
6知识图谱：
7公司 → created → 产品
8产品 → competes with → 其他产品
9其他产品 → owned by → 其他公司
10公司 → invested in → 其他公司

图谱不仅存储事实，它存储事实之间是如何相互连接的。这就是使复杂推理成为可能的原因。

完整的图工程流程

1步骤 1  |  收集原始文档
2        |  PDF、邮件、报告、数据库导出
3
4步骤 2  |  提取实体
5        |  人物、公司、产品、事件、概念
6
7步骤 3  |  提取关系
8        |  谁对谁做了什么、何时、何因、何方式
9
10步骤 4  |  构建模式
11        |  定义实体类型和关系类型
12
13步骤 5  |  去重和归一化
14        |  "Microsoft Corp" 和 "MSFT" 是同一实体
15
16步骤 6  |  存储到图数据库
17        |  Neo4j、Amazon Neptune、带图扩展的 PostgreSQL
18
19步骤 7  |  构建检索层
20        |  局部搜索：查找特定实体
21        |  全局搜索：在整个图谱中查找模式
22
23步骤 8  |  连接模型
24        |  Claude 通过 MCP 或直接 API 查询图谱
25
26步骤 9  |  持续更新
27        |  新文档扩展图谱
28        |  矛盾点被标记以待审查

arxiv.org/abs/2307.06917 上的《LLM 辅助的知识图谱工程》论文，对语言模型处理每一步的能力进行了基准测试。诚实的发现是：对于提取和归一化，LLM 是优秀的助手；但在模式和去重步骤中，零样本的图谱生成尚未可靠到足以在没有人工审查的情况下投入生产。

驱动整个流程的五个提示词

图工程并没有消除提示词。它只是将提示词应用于图谱流程的每个特定阶段。

提示词 1：提取

1提取所有组织、人物、产品和事件。
2
3对每个实体返回：
4- canonical_name
5- type
6- description
7- source
8
9对每个关系返回：
10- source_entity
11- relation_type
12- target_entity
13- evidence
14- confidence_score

提示词 2：归一化

1比较以下实体。
2判断它们是否指向：
3- 同一个实体
4- 相关但不同的实体
5- 不相关的实体
6
7返回规范名称和解释。
8没有明确证据，不要合并实体。

提示词 3：图谱查询

1将用户问题翻译成 Cypher 查询。
2只使用模式中存在的关联。
3不要创造标签或属性。
4返回查询语句和简短逻辑解释。

提示词 4：基于事实的答案

1仅使用检索到的图谱路径来回答。
2对于每个结论：
3- 指出支持节点
4- 指出关系路径
5- 清晰说明不确定性
6- 不要将相关性推断为因果性

提示词 5：图谱维护

1将新事实与现有图谱进行比较。
2将每个事实分类为：
3- 新事实
4- 重复
5- 矛盾
6- 更新
7- 不确定
8
9没有证据，不要覆盖现有事实。

正如微软的 GraphRAG 文档所示——提示词在内部处理提取、关系识别、摘要和社区报告生成。提示词工程是图工程内部的机制，而非其竞争对手。

基于知识图谱可以构建的五个业务

1：尽职调查平台

1公司报告 + 创始人 + 投资者
2+ 法律案件 + 子公司 + 交易
3↓
4知识图谱
5↓
6Claude
7↓
8风险分析 + 隐藏关联 + 利益冲突检测

客户：投资基金、律师事务所、银行、并购顾问。每个客户每月固定费用 $2,000-10,000。

2：销售智能

1联系人 + 公司 + 角色
2+ 历史邮件 + 公司问题 + 产品
3↓
4知识图谱
5↓
6谁影响决策
7哪些反对意见反复出现
8应向该特定客户展示哪个案例
9交易卡在了哪个环节

3：工程智能

1GitHub 提交 + Jira 工单 + Linear 任务
2↓
3工程工作图谱
4↓
5事件检测速度提升 5 倍
6会议时间减少 50%
7自动生成发布说明

LaunchNotes 已经在销售这个产品。其市场是每一个使用超过一个项目管理工具的工程团队。

4：研究智能

1论文 + 作者 + 机构
2+ 方法 + 数据集 + 结果 + 矛盾点
3↓
4知识图谱
5↓
6哪些 GraphRAG 方法使用了社区检测
7在哪些数据集上进行了测试
8哪些论文之间存在矛盾

5：个人知识操作系统

1Obsidian 笔记 + 邮件 + 日历
2+ PDF + 联系人 + 任务
3↓
4个人知识图谱
5↓
6我和谁讨论过这个想法
7哪些任务依赖于某个人的回复
8哪些决策与之前的协议相矛盾
9我这个月承诺了什么

连接微软、斯坦福和 Anthropic 的转变

1提示词工程   |  如何提出正确的问题
2RAG          |  查找哪个文档
3图工程      |  存在哪些实体
4             |  它们如何连接
5             |  哪条路径通向答案
6             |  如果一个节点改变，会发生什么

LLM 知道词汇。知识图谱知道关系。当两者协同工作时，最强大的 AI 系统才会出现。

微软通过 GraphRAG 在生产中证明了这一点——准确率提高 18%，成本降低 85%。斯坦福通过 DSPy、STORM 和缩放定律论文在研究中证明了这一点。Anthropic 通过 LaunchNotes 案例证明了这一点——事件检测速度提升 5 倍，会议时间减少 50%。

三个组织，三条独立的路径，一个共同的结论。

模型找到文本。图谱找到现实。构建图谱吧。

大多数开发者会继续优化他们的提示词，并困惑于为何复杂问题仍然给出糟糕的答案。而少数人会花一个周末构建他们的第一个知识图谱，然后从此不再回头去搜索文档。

/ 如果这篇文章对你有帮助——请关注，下一篇会在这里首发。