為什麼需要 Knowledge Graph + LLM？
傳統的大型語言模型（LLM）雖然能生成流暢的文字，但在理解實體之間的複雜關係時常出現幻覺或遺漏關鍵資訊。Knowledge Graph（知識圖譜）以圖結構儲存知識，能明確表達「誰與什麼相關」的關係。將兩者結合，LLM 可以利用知識圖譜的結構化推理能力，實現更精確的關係理解與事實檢索。
核心優勢：
- 事實準確性： 知識圖譜提供可驗證的結構化知識，降低 LLM 幻覺風險
- 可解釋性： 圖譜中的路徑可追蹤 AI 推理過程
- 動態更新： 新知識可直接新增至圖譜，無需重新訓練模型
- 複雜關係推理： 支持多跳查詢，如「某人的大學同學的公司的產品」
知識圖譜基礎與圖結構
知識圖譜由節點（Node）和邊（Edge）組成。節點代表實體（如人物、組織、產品），邊代表關係（如「曾任職於」、「開發了」）。常見的圖譜標準包括 RDF 和屬性圖（Property Graph）。
以 Python 的 NetworkX 庫為例，建立簡單的知識圖譜：
import networkx as nx
# 建立有向圖
G = nx.DiGraph()
# 新增節點（實體）
G.add_node("Alice", type="person", role="工程師")
G.add_node("TechCorp", type="company", industry="AI")
G.add_node("KnowledgeGraph", type="product", type="軟體")
# 新增邊（關係）
G.add_edge("Alice", "TechCorp", relation="任職於")
G.add_edge("Alice", "KnowledgeGraph", relation="開發")
G.add_edge("TechCorp", "KnowledgeGraph", relation="擁有")
print(f"節點數: {G.number_of_nodes()}")
print(f"邊數: {G.number_of_edges()}")整合架構：RAG 與 Graph RAG 實作
最常見的整合方式是Graph RAG（檢索增強生成）。架構流程如下：
- 知識提取： 從文字中識別實體與關係，建立知識圖譜
- 圖譜儲存： 將圖譜存入圖資料庫（如 Neo4j）
- 檢索階段： 根據使用者問題，從圖譜中檢索相關子圖
- 生成階段： 將檢索結果作為上下文，交由 LLM 生成答案
以下使用 Neo4j 與 LangChain 實作基本的 Graph RAG：
from langchain_community.graphs import Neo4jGraph
from langchain_openai import ChatOpenAI
from langchain.chains import GraphQAChain
# 連接 Neo4j 圖資料庫
graph = Neo4jGraph(
url="bolt://localhost:7687",
username="neo4j",
password="password"
)
# 載入知識圖譜（假設已有圖譜資料）
graph.refresh_schema()
# 建立 QA Chain
llm = ChatOpenAI(model="gpt-4")
chain = GraphQAChain.from_llm(
llm,
graph=graph,
verbose=True
)
# 提問
result = chain.run("Alice 開發了什麼產品？")
print(result)複雜關係查詢：多跳推理實例
Graph RAG 的核心價值在於處理多跳關係查詢。傳統向量檢索難以處理「A 與 B 之間的關係」，但圖譜可以輕鬆遍歷。
假設圖譜包含以下數據：
- 節點：Alice、Bob、TechCorp、AI實驗室
- 邊：Alice -> TechCorp（任職）、Bob -> AI實驗室（隸屬）、TechCorp -> AI實驗室（投資）
查詢「Alice 與 AI實驗室的關係」時，圖譜遍歷會找出：
# 找出 Alice 到 AI實驗室的所有路徑
paths = list(nx.all_simple_paths(
G,
source="Alice",
target="AI實驗室"
))
for path in paths:
print(" -> ".join(path))
# 輸出: Alice -> TechCorp -> AI實驗室建立你自己的 KG + LLM 系統
要建立完整的系統，可依以下步驟操作：
- 選擇圖資料庫： Neo4j、Apache Jena 或 TuGraph
- 選擇 LLM API： OpenAI GPT-4、Claude 或本地部署的 Llama
- 選擇框架： LangChain、LlamaIndex 或自建管線
- 實作知識提取： 使用 LLM 從文字中提取三元組（主詞、關係、受詞）
- 建構檢索與生成流程： 將圖譜查詢結果與原始文字結合輸入 LLM
這種架構特別適合企業知識管理、醫療診斷輔助、金融風險分析等需要精確關係推理的場景。