Graph Engineering：让 AI 真正“懂世界” 的工程

海致科技集团·2026年07月31日 17:03

让结构化知识成为模型内在的思考框架

产业 AI 的决胜点，从来不在模型本身的“马力”，而在驾驭它的“整车系统”——这是我们在讨论 Harness Engineering（驾驭工程）一文中得出的核心结论。

在那套三层架构中，控制层的“图谱约束”与记忆层的“关系记忆”，无一不以知识图谱为内核。但在真实的产业深水区，一个更底层的工程拷问随之浮现：图谱本身，如何被工程化？

这正是 Graph Engineering（图谱工程）的核心命题。如果说 Harness 解决的是“如何驾驭模型”，那么 Graph Engineering 解决的则是“模型该信什么”的问题——为模型构建可信、可推理、可演化的结构化世界模型。

近日，浙江大学与伊利诺伊大学芝加哥分校（Philip S. Yu 院士团队）联合发表重磅综述《Graphs Meet AI Agents》，首次为“图 × Agent”建立了完整的学术分类体系。论文系统论证了一个核心共识：面对复杂任务，Agent 必须处理错综复杂、杂乱无章的信息、操作与交互；而数据结构化（data structurization）是让 Agent 有效理解与处理的关键；图，则凭借其组织、管理、利用复杂数据关系的天然优势，成为支撑结构化的强大数据范式。

这一前沿论断，与海致科技十余年的产业实践不谋而合。我们始终坚信郑纬民院士所言：“图谱如左脑，大模型如右脑。” 真正的产业级 AI 绝非两者的简单拼接，而是让结构化知识成为模型内在的思考框架。

本文将从工程架构的深层逻辑出发，解析 Graph Engineering 的技术内核，并分享海致科技如何通过成熟的图谱工程实践，为产业级 AI 构筑真正可信的知识底座。

01范式确立：Graph Engineering 的兴起

《Graphs Meet AI Agents》综述给出了一个清晰的判断：传统 Agent 主要处理非结构化数据，只能在学习过程中“隐式地”识别信息间的潜在关联；而基于图的结构化建模，能将原始复杂的输入转化为简洁、组织良好的形式，使 Agent 更好地理解与处理。

这一判断，标志着 AI 知识工程经历了三次关键跃迁：

2022 年前：规则与专家系统时代（知识 1.0）——依赖人工定义本体、规则模板与专用 NLP 管线。精确，但不可扩展，每进入一个新领域都要从零构建。

2023~2024 年：向量检索时代（知识 2.0）——以 RAG 为代表，用向量嵌入做语义相似度匹配，为模型提供外部知识。可扩展，但本质是“孤立点”的相似匹配：它知道“像什么”，却不知道“连向谁、为什么”。

2025 年起：图谱工程时代（知识 3.0）——以微软 GraphRAG（2024）为开端，到 2025 年《Graphs Meet AI Agents》综述的系统化，知识图谱不再只是事实库，而是被工程化为 Agent 的可推理记忆、推理脚手架与可验证知识层。图将知识组织为带关系、带时序、可演化的网络。

一个朴素的类比可以说明这三次跃迁的本质差异：向量是“印象”——你隐约记得某样东西“像什么”，却说不清它和其他事物的关系；图谱是“地图”——你不仅知道某个地点“是什么”，还知道它“连向谁、怎么去、途经哪里”。模型是驾驶员，而 Graph Engineering 造的，正是那张让驾驶员不再迷路的地图。

值得注意的是，这三次跃迁并非简单的“替代”关系，而是能力维度的递进与补全：向量检索在语义泛化与模糊匹配上不可替代，图谱工程则在此基础上叠加了关系推理与逻辑溯源的“第二层能力”。二者如同人脑的“系统1（直觉）”与“系统2（分析）”，协同而非对立。

同时，这三次跃迁与 AI 工程的整体演进（Prompt Engineering → Context Engineering → Harness Engineering）并非平行，而是垂直嵌套：Graph Engineering 正是 Context Engineering 向图谱的深化，也是 Harness Engineering 中“控制层”与“记忆层”的技术内核。

当行业热议“驾驭工程”时，图谱工程早已是那套缰绳与记忆的实质载体。

02 向量 RAG 的“推理悬崖”:为什么 Graph Engineering 是产业 AI 的必选项

向量 RAG 凭借其在语义泛化与模糊匹配上的天然优势，在 C 端容错率高的场景中表现优异，但一旦进入金融、政务等要求确定性推理与逻辑溯源的 B 端核心业务时，单纯的向量相似度检索会暴露出结构性短板——它擅长找到“看起来像什么”的孤立片段，却难以串联“连向谁、为什么、怎么去”的关系链条。这并非向量 RAG 的“失败”，而是其能力边界所在。

正如人脑需要“直觉”与“分析”协同工作，产业AI同样需要向量检索与图谱推理的深度融合。Graph Engineering 正是补全这“系统2”推理能力的工程化方案。这一判断在多篇顶会实验中已得到系统性验证。

1. 语义相似 ≠ 逻辑相关：多跳推理的系统性失败

向量检索的本质是“孤立点”的相似度匹配，各段落独立编码，无法跨段落关联实体关系。这在多跳推理（如“A 的配偶的导师毕业于哪所大学”）上导致系统性失败。

HippoRAG（NeurIPS 2024）给出了最直接的证据：用知识图谱 + 个性化 PageRank 融合向量检索后，在 2WikiMultihopQA 上 Recall@5 从纯向量的 68.2 跃升至 89.5——提升最高达 20%，且成本降低 10~30 倍、速度快 6~13 倍。

更具说服力的是 StructuralMemory 论文的直接对照实验：在系统对比 chunks（向量）、knowledge triples（图）、atomic facts、summaries 四种记忆结构后，知识三元组在关系推理与多跳 QA 上明确优于纯向量 chunks，且含三元组的混合记忆抗噪鲁棒性最强。

向量只能找到“像什么”，图谱才能回答“连向谁”——这是结构性的能力差异，而非调参能弥合的。

但需强调的是，最稳健的方案并非用图谱替代向量，而是以图谱做关系骨架、以向量做语义入口，二者协同构成混合检索架构。

2. 黑盒推理与审计困境：从“概率猜测”到“路径可溯”

企业核心业务必须通过合规审计，但通用大模型的推理是“黑盒”。图谱工程将这一问题从根本上改写：图结构将 LLM 的“黑盒推理”转化为“白盒路径推理”——每一步推理都有知识图谱中的实体与关系作为锚点，过程可追溯、可审计、可纠正。

Think-on-Graph（ICLR 2024）让 LLM 作 Agent 在知识图谱上执行 beam search，每一步只在图谱中真实存在的邻居关系里选择，推理路径忠实于图结构。其显式路径可回溯定位错误三元组，支持人工或 LLM 反馈修正。Reasoning on Graphs（ICLR 2024）更进一步，用知识图谱 grounded 的关系路径作为“忠实计划”（faithful plan）约束推理方向。

其消融实验极具说服力：随机路径（35.2 F1）比无路径（49.7）更差，而知识图谱忠实路径达到 70.8——这证明不是“加个图就好”，而是“正确且完整的图谱结构”才能有效引导推理。

这也反推出 Graph Engineering 的首要工程挑战——如何持续构建、校验与补全高质量的知识图谱本体。地图越精确，驾驶员越可信；但若地图本身有缺漏，工程体系必须内置纠偏与动态更新机制，这也是海致科技在本体约束层投入的核心价值所在。

3. 知识不可演化：向量是静态快照，图谱是活的关系网络

企业知识是动态的——客户关系在变、政策在更新、库存实时流转。但向量库本质是静态快照，无法表达“关系随时间演变”。Zep/Graphiti（2025）用时序知识图谱维护历史关系，在跨会话信息合成上准确率提升 18.5%、响应延迟降低 90%；A-MEM（NeurIPS 2025）让新记忆加入时触发历史记忆的自组织更新，token 用量降低 85-93%，多跳任务性能达到 MemGPT 等 vector/cached 记忆的 2 倍。图谱不是被查询的死数据，而是与 Agent 交互持续演化的活网络。

而最反直觉、也最有力的一条证据来自 Think-on-Graph：Llama2-70B + 图约束，在 ComplexWebQuestions 上（53.6%）超过了 GPT-4 无图约束的 CoT 推理（46.0%）。小模型 + 图谱工程，超越大模型裸跑——这直接印证了产业 AI 的核心判断：决胜点不在模型参数，而在工程体系。Graph Engineering 的增益，甚至超过了模型规模的增益。

03 Graph Engineering 核心架构与工程化实现

上述产业困局表明，单纯依靠向量检索或裸模型推理在应对复杂关系推理时存在能力缺口，无法满足 B 端核心业务的要求。而图谱工程正填补了这一缺口。但这不意味着单一图谱方案通吃所有场景，产业AI不存在放之四海而皆准的单一底座。

《Graphs Meet AI Agents》综述将图赋能 Agent 的能力划分为规划、执行、记忆、多智能体协调四大功能——这与海致在 Harness 架构中沉淀的“控制层—记忆层—编排层”三层体系形成精确映射。

依托十余年深耕 2B 领域的技术积淀，海致已将图谱工程能力深度转化为 Graph Engineering 的核心组件：

1. 控制层（约束推理）：从“试错”到“防错”

在可靠性要求极高的产业场景中，任何“试错”都代价高昂。Graph Engineering 的控制层通过知识图谱作为标准化约束框架，将企业级事实、业务关系与行业规则结构化沉淀，构筑 Agent 推理的核心“轨道”。

正如 Reasoning on Graphs 所证明的，知识图谱 grounded 的忠实计划能有效约束 LLM 的推理方向；Graph Chain-of-Thought（ACL 2024）的图执行子步更充当“事实校验器”，确保推理不脱离图结构。

海致的行业本体正是这一层的工程化落地：通过图 Schema 定义实体间的合法关联，防止 Agent 生成不符合业务逻辑的输出；通过图查询验证模型生成的关系是否符合本体既有事实；当模型输出与本体冲突时，触发反馈回路强制重新推理。这不是告诉模型“你错了”，而是告诉它“正确的路径在本体的哪条边上”。

2. 记忆层（关系记忆）：超越语义的“关系网络”

传统向量数据库提供语义记忆（“像什么”），而产业级 Agent 需要可推理的关系记忆（“是什么、连向谁、为何关联”）。

综述在 Memory 章节详述了 AriGraph、GraphRAG、Zep、HippoRAG 等如何用图结构组织、检索与维护 Agent 记忆——GFM-RAG（NeurIPS 2025）更以图基础模型实现单步多跳检索，在 7 个领域数据集上零样本迁移平均超过 HippoRAG 18.9%。

海致的 AtlasGraph 图数据库提供正是这种可推理的关系记忆：不仅能回忆，还能基于关系进行逻辑推导；不仅记录当下状态，还维护状态流转的时序关系，确保 Agent 在长时间跨度的业务流程中不迷失，能够基于历史状态推导而非仅依赖当下上下文。这是向量库无法胜任的“跨周期记忆”。

3. 编排层（工具整合）：异构系统的“关系骨架”

B 端企业的 IT 环境是数十年积累的“技术债博物馆”。当 Agent 拥有海量工具时，工具间存在复杂的依赖与调用关系。

综述在 Execution 章节指出，图组织可将工具编排为“工具图”：ToolNet 将工具组织成有向图，使工具规模扩展到数千个而 token 消耗仅适度增长；GPTSwarm（ICML 2024）将 Agent 本身抽象为可优化 DAG，自动优化节点与边；ControlLLM 用资源—工具二部图 + 并行搜索规避工具使用幻觉。

工业侧，LangGraph 已将“图即 Agent 编排”产品化（被 Klarna、Uber、J.P. Morgan 采用）；Anthropic 的 MCP 协议正成为工具连接的事实标准，而 Google 主导的 A2A 协议则补足了 Agent 间协作——MCP（Agent↔工具）+ A2A（Agent↔Agent）构成完整的整合栈，图在其中扮演“关系骨架”。

海致的 Atlas 智能体平台正是这一层的工程载体：将企业 API、数据库、业务系统封装为 Agent 可调用的工具，实现复杂任务的状态机管理，兼容百余款大模型动态路由，并在关键决策点保留人类最终决策权——让通用模型转化为“能持续执行任务的产业 Agent”。

结语

2025 年，当《Graphs Meet AI Agents》综述将“图如何赋能 Agent”系统化为完整 taxonomy 时，它实际上为产业 AI 指明了一个被长期低估的真相：大模型决定了智能的上限，但知识底座决定了系统可靠运行的底线。

这并非否定向量检索的敏捷，也并非夸大单一图谱的万能，而是强调一种工程上的务实平衡。正如地图之于驾驶员——没有地图，再快的车也只能凭印象乱跑；有了精确可推理的地图，才能规划路线、规避歧路、到达目的地。Graph Engineering 造的，正是这张让 AI Agent 从“凭印象猜测”走向“按地图推理”的知识底座，是让其在复杂业务迷宫中不再迷航的“高精地图”。

在产业智能化的进程中，提供模型如同提供引擎，固然重要；但构建可验证、可推理、可演化的图谱工程体系，才是将原始智能转化为可靠生产力的关键一跃。尤其是在多跳推理、关系回溯与合规审计的复杂场景中，Graph Engineering 正从“可选项”变为“优选项”。当然，对于大量轻量级文本处理任务，纯粹的向量方案依然是更经济高效的选择。真正的 Harness Engineering，在于根据业务场景的“推理深度”要求，动态编排向量、图谱与模型能力的配比。

海致始终致力于成为这套工程的构建者——不迷信单点技术的颠覆，而是深耕结构化知识与大模型协同的底层架构，让产业级智能体真正成为一台“可推理、可审计、可演化”的可靠生产力工具，而不再是一台只凭“印象”行事的概率猜测机。

附：本文引用的关键学术论据索引

以下论据来自 arXiv:2506.18019v3《Graphs Meet AI Agents》综述及其延伸线索的深度调研，用于支撑本文各论点的可靠性。

综述锚点：该综述是首个“图 × Agent”系统 taxonomy，核心论点：数据结构化是 Agent 关键，图是结构化的强大范式。