搜尋意圖： 如果你在找「知識圖譜 是什麼」或「知識圖譜 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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
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」。