知識圖譜與向量資料庫在 RAG 架構中各自的優缺點是什麼？

兩者在 RAG 架構中解決不同類型的檢索需求。向量資料庫（Vector Store）以語意相似度為基礎，適合開放域問答、文件摘要等場景：問題「關於機器學習有哪些重要資源？」不需精確匹配，語意接近的文本都有參考價值；其缺點是無法處理精確的邏輯推理和多跳關係查詢。知識圖譜則適合需要精確事實和多跳推理的問題：如「A 公司的技術長是誰，他之前在哪裡工作？」需要沿關係鏈查詢兩跳；其缺點是建構和維護成本高，知識覆蓋面受限於已知事實。GraphRAG 架構嘗試結合兩者：先用知識圖譜識別相關實體和關係，再用向量搜尋找到相關文本片段，最後一起送給 LLM 生成回答，適合需要精確性和廣泛覆蓋的企業知識問答系統。

建構領域知識圖譜的主要步驟有哪些？常見的技術挑戰是什麼？

建構領域知識圖譜通常包含五個階段。第一，本體設計（Ontology Engineering）：定義領域的核心概念類別和關係類型，這是最需要領域專家介入的步驟，設計不良的本體會導致後續工作全部返工。第二，知識抽取（Knowledge Extraction）：從文字、資料庫、API 中自動或半自動抽取三元組，包括命名實體識別（NER）和關係抽取（Relation Extraction）。第三，知識融合（Entity Alignment）：合併來自不同來源的重複實體（如「人工智慧」和「AI」指同一概念）。第四，知識補全（Knowledge Graph Completion）：利用嵌入模型預測知識圖譜中缺失的關係。第五，知識更新與維護：建立自動化機制從新資料持續更新知識圖譜。主要挑戰包括：本體設計的領域知識門檻高、關係抽取的準確率難以超過 90%、跨來源實體對齊的歧義處理複雜。

知識圖譜在 iPAS AI 應用規劃師考試中的考察重點是什麼？

在 iPAS AI 應用規劃師中級考試中，知識圖譜的考察通常涵蓋：（1）基本定義與三元組（主體-關係-客體）結構，以及與關聯式資料庫的本質差異；（2）知識圖譜的典型應用場景：搜尋引擎語意增強（如 Google Knowledge Panel）、問答系統、推薦系統；（3）知識圖譜在生成式 AI 中的角色：作為 RAG 的結構化知識源，提供多跳推理能力，與純向量檢索的互補關係；（4）知識圖譜的建構流程：知識抽取、實體對齊、知識補全的基本步驟；（5）知識圖譜嵌入的基本概念：將實體和關係映射到向量空間以支援機器學習。考試中最常考「知識圖譜如何解決 LLM 幻覺問題」以及「知識圖譜與向量資料庫的使用場景差異」。

知識圖譜是什麼？

Knowledge Graph：知識圖譜的完整解釋

知識圖譜（Knowledge Graph）是以圖結構儲存實體（Entity）及其關係（Relation）的語意知識庫，透過「主體-關係-客體」三元組表示現實世界的知識，廣泛應用於搜尋引擎增強、問答系統

核心概念

知識圖譜（Knowledge Graph）是一種儲存和組織結構化知識的資料表示方式，其本質是一個有向標記圖（Directed Labeled Graph）。

基本組成：

實體（Entity）：現實世界的物件或概念節點，如「人工智慧」「Anthropic」「Claude」「台灣」
關係（Relation / Predicate）：連接兩個實體的有向邊，如「開發了」「位於」「屬於類別」
三元組（Triple）：(主體, 謂語, 客體) 是知識圖譜的基本表示單元，如 (Anthropic, 開發了, Claude)
屬性（Attribute）：實體的鍵值對資訊，如 Claude 的「發佈年份: 2023」
本體論（Ontology）：定義知識圖譜中概念的類型層次與關係約束，如「所有 LLM 都是 AI 模型的子類」

知識圖譜的三個層次：

模式層（Schema Layer）：定義概念、類別和關係的抽象框架（本體論）
資料層（Data Layer）：儲存具體的實體和三元組
推理層（Reasoning Layer）：基於規則或嵌入推導新的隱含知識

運作原理

知識表示與儲存：

知識圖譜通常使用以下儲存方式：

三元組儲存（Triple Store）：如 Apache Jena、Stardog，使用 SPARQL 查詢語言
圖資料庫（Graph Database）：如 Neo4j（使用 Cypher 查詢），更工程友善
向量化儲存（Knowledge Graph Embedding）：將實體和關係映射到低維向量空間，支援相似度計算和缺失關係預測

知識圖譜嵌入（Knowledge Graph Embedding）：

為了讓機器學習方法能利用知識圖譜，需要將實體和關係嵌入向量空間。代表方法：

TransE：假設 h + r ≈ t（主體向量 + 關係向量 ≈ 客體向量），適合一對一關係
RotatE：將關係建模為向量空間中的旋轉操作，更能捕捉對稱、反對稱等複雜關係模式
ComplEx：在複數空間（Complex Number Space）建模，支援非對稱關係

SPARQL 查詢範例：

SELECT ?company WHERE {
  ?model rdf:type :LargeLanguageModel .
  ?company :developed ?model .
  ?model :releaseYear "2023" .
}

此查詢找出「2023 年發布的大型語言模型的開發公司」，展示知識圖譜的多跳推理能力。

GraphRAG 架構：

傳統 RAG（Retrieval-Augmented Generation）使用向量相似度搜尋找出相關文本段落提供給 LLM。GraphRAG 改以知識圖譜為外部知識源，查詢流程如下：

使用者問題 → 實體提取（Entity Extraction）
在知識圖譜中識別相關實體和關係路徑
沿關係路徑進行多跳推理，擷取相關子圖
將子圖轉為自然語言描述，輸入 LLM 生成回答

GraphRAG 的優勢：能回答需要多跳推理的複雜問題（「A 公司的 CEO 的前一份工作在哪家公司」），而純向量搜尋難以處理此類邏輯鏈。

實際應用

搜尋引擎知識面板：Google 知識圖譜（Knowledge Graph）收錄超過 500 億個事實，在搜尋結果右側顯示實體的結構化資訊（如人物的出生日期、著作、關聯人物），這正是 Google 搜尋從「關鍵字比對」進化到「語意理解」的核心基礎設施。

醫療知識庫：醫療知識圖譜（如 UMLS、BioKG）連接疾病、症狀、藥物、基因等醫療實體，支援藥物交互作用查詢、副作用預測、臨床決策支援。AI 診斷系統結合知識圖譜能提供有來源可追溯的推理鏈，而非只給出「黑盒」預測。

企業知識管理：跨國企業建立內部知識圖譜連接產品、客戶、供應商、合約、人員等實體，支援複雜的跨系統查詢（如「參與過 A 專案且具備 B 技術的工程師名單」），解決傳統 RDBMS 多表 JOIN 的複雜性問題。

推薦系統：知識圖譜增強的推薦系統能利用「使用者-商品-屬性」的關係路徑提供可解釋的推薦理由。例如，推薦某本書的理由可以是「您喜歡的作者 X 推薦過 Y 作者的作品 Z」，而非僅顯示「因為購買了 A 的使用者也購買了 B」。

常見誤區

誤區一：知識圖譜等於圖資料庫

圖資料庫（如 Neo4j）是儲存圖結構資料的通用工具，強調工程效能和靈活查詢；知識圖譜是語意知識的表示框架，強調本體論設計、語意推理和知識互操作性。知識圖譜通常儲存在三元組儲存或圖資料庫中，但兩者概念層次不同：圖資料庫是工具，知識圖譜是應用架構。

誤區二：知識圖譜能解決 LLM 幻覺問題

知識圖譜提供的是結構化的事實知識，能顯著降低 LLM 在事實類問題上的幻覺（Hallucination）。但知識圖譜本身可能包含錯誤、過時或不完整的知識；LLM 的幻覺來源不只是事實不準確，還包括邏輯推理錯誤、語言生成偏差等。知識圖譜是緩解幻覺的有效工具之一，但不是萬能解藥。

誤區三：知識圖譜只適合靜態知識

早期知識圖譜確實以靜態知識為主，但時態知識圖譜（Temporal Knowledge Graph）擴展了三元組加入時間戳（如「(A, 擔任 CEO, B, 2019-2023)」），支援隨時間變化的事實表示。動態知識圖譜可自動從新聞、文件中持續提取最新知識，更新頻率可達小時級。

與相關技術的比較

技術	結構	語意理解	推理能力	規模擴展
知識圖譜	圖（三元組）	強（本體論）	多跳邏輯推理	中（建構成本高）
關聯式資料庫	表格	弱	SQL，無語意推理	高
向量資料庫	向量索引	語義相似度	近似最近鄰	高
文件資料庫	JSON 樹	無	全文搜尋	高
GraphRAG（知識圖譜 + RAG）	圖 + 向量	強	多跳推理 + 語意檢索	中

在生成式 AI 的知識增強架構中，知識圖譜和向量資料庫是互補而非競爭關係：向量搜尋擅長語意相似度匹配，知識圖譜擅長精確邏輯推理，GraphRAG 架構正是整合兩者優勢的設計方向。

常見問題

← 回到知識圖譜快查頁

知識圖譜 是什麼？