图数据库从边缘走向企业AI系统的知识层核心

随着生成式AI从早期实验阶段走向成熟，企业正在围绕一种共享架构达成共识：将大语言模型（LLM）锚定在可信数据上的企业知识层。Neo4j首席技术官Philip Rathle在Neo4j GraphTalk活动上接受theCUBE采访时表示，ChatGPT发布四年后，大多数组织已经过了随意实验的阶段，形成了生产级AI系统的共同词汇和架构模式。这一转变将企业知识层——组织的本体、数据和智能体记忆驻留于模型之外的基座——置于企业AI对话的中心。

“企业知识层是重大话题，”Rathle说，“GraphRAC描述了这样一种模式：让LLM调用知识图谱，从而将外部知识置于上下文中。知识不活在模型里，而活在知识系统中。这带来了更好的准确性、可解释性和治理能力。”

独立研究为企业知识层提供了有力支撑。英国国家创新数据中心最近比较了两种提升智能体可靠性的领先技术，发现GraphRAG显著优于纯向量检索：基于图的智能体在回答问题时“更诚实”达80%，回答的问题数量是后者的两倍以上，同时token使用更高效。

“我们从客户那里获得了大量证据表明GraphRAG提高了准确性、提供了治理和可解释性，”Rathle说，“但能有世界一流的第三方学术机构进行研究总是非常好的，因为这样就能理解背后的原因。”

一旦系统进入生产阶段，准确性直接转化为经济效益。Rathle指出，知识图谱往往是概念验证停滞与系统交付可衡量价值之间的分水岭。最近与一家国家税务机构的合作生动展示了这一点：一旦数据被建模为图而不是扁平化表格，价值迅速显现。

“从概念验证开始48小时内，他们就识别出超过1亿美元的税务欺诈，”Rathle说，“概括地说，如果你一直戴着盲人眼镜看二维数据，一旦将数据带入图视图，所有这些事情突然变得一目了然，而之前你根本无法看到。”

Neo4j的图智能平台正日益被定位为AI智能体和决策智能的连接组织。该公司依靠外部验证来佐证其主张。Rathle与theCUBE的John Furrier在Neo4j GraphTalk活动上进行了深入交流，讨论了GraphRAG的演进、基于图检索的独立研究以及企业知识层的架构。

（*披露：theCUBE是Neo4j GraphTalk活动的付费媒体合作伙伴。Neo4j及其他赞助商对theCUBE或SiliconANGLE的内容没有编辑控制权。）

图文：SiliconANGLE