知识图谱架构让企业拥有其创造的AI智能

知识图谱架构已从学术概念阶段走向生产基础设施阶段，那些以正确方式塑造它的企业将拥有其AI所创造的智能。这是Thumos Care创始人兼上下文架构师Shan Rizvi向仍将AI检索视为搜索问题的从业者提出的核心观点。

Rizvi指出，检索增强生成（RAG）能够找到文本块，但它无法进行推理，无法将决策追溯至证据，也无法随时间积累知识。理解这一点的组织与不理解的组织之间的鸿沟，将成为智能体时代最具决定性的竞争分界线之一。

在访谈中，Rizvi以一家为卡车零部件维护构建AI的初创公司为例，说明了知识图谱的优势。该系统需要查找满足多个条件的制造商生产的给定零部件的所有替代品。搜索在处理数百万SKU的大规模关系路径跟踪时存在困难，而知识图谱能原生处理这类问题，并递归地在不同路径中重复遍历，直到找到最佳答案。这模拟了人类推理的方式，而非历史上信息检索的工程方式。

Rizvi强调，在生产部署中，首要考虑因素是延迟。他使用Neo4j为Thumos Care构建医疗知识图谱——连接疾病、症状、药物和临床指南——发现并非所有图数据库平台都能可靠处理数百万节点。递归推理应仅在必要时使用，更快的单跳检索处理简单查询，以保持生产中的响应时间。

关于数据基础设施，Rizvi明确区分了哪些应放入图数据库，哪些不应。具有频繁变更数据的结构化传统数据库应保留在原生系统中，仅在图中表示其本体结构，以便智能体知道何时查询什么。像Slack消息、会议记录和聊天日志这类非结构化数据源更适合直接提取并摄入图中，因为它们的情境含义可以保留，并随时间与领域实体关联。

“如果你想在智能生态系统中拥有一部分，你所拥有的部分必须被视为智能，而非数据，”Rizvi说，“你需要为你的领域、知识、认知和决策建立一个本体，只要拥有这些组件，你的模型就会随着使用频率增加而变得更好，你将拥有那个价值。”