Why Knowledge Graphs are Critical to Agent Context
摘要传统的长上下文窗口、向量数据库和RAG方案虽能提供语义相关检索，但在精准性、推理性和可解释性上存在不足。知识图谱通过建模实体及其关系，为智能体提供精准、可解释、覆盖全面的上下文，为企业与科研机构的智能应用带来更高决策支持力.
正文1. 为什么需要重新思考“上下文”在为智能体（Agent）提供信息时，大多数现有方法依赖长上下文窗口、向量存储或传统的RAG（Retrieval-Augmented Generation）流程。虽然这些方法能找到语义相似的内容，但在需要精准性、推理能力和决策解释时，它们往往力不从心.
2. 现实案例：向量检索的局限设想一个AI智能体负责管理战略客户关系，当你问它： “我们与Acme公司的关系在合同续签前如何？”
传统RAG方法会将所有与Acme的沟通嵌入向量空间，并检索语义相似内容，例如： - “能否发一份更新的SLA，并包含新的可用性保证？”
- “你们团队本季度很给力，响应速度加快，工作流程更顺畅。”
这些回复看似相关，但无法回答关键问题： 语义相似度不能告诉你“是谁”说的，“为什么”重要.
3. 知识图谱的结构化回忆如果给交流内容叠加一个知识图谱，情况就完全不同。
我们可以将公司、合同、人员、会议、沟通内容等作为实体建模，并明确标注它们之间的关系。 例如，通过知识图谱，智能体可以发现： - 该合同绑定在特定副总裁（VP）名下，此人是关键决策者；
 知识图谱提供了：
4. “爆炸半径”向量搜索：精准定位Kùzu引入了“Blast Radius Vector Search”——在知识图谱的特定实体节点周围进行向量检索，而非在整个向量空间中盲搜。 这样，智能体就能在查询时获取适量且相关性极高的上下文，例如： - 图谱还记录了会议的时间、与会者，以及其他反馈
这让智能体区分出哪些正面评价来自真正影响续约的人，哪些只是外围声音.
5. 为什么知识图谱更适合作为“智能体记忆”知识图谱在上下文工程中的优势包括： 这让智能体的处理方式更接近人类认知模式.
6. 技术与应用趋势近年来，从世界500强企业到创新型初创公司，都在为智能体构建专用知识图谱，用于强化长短期记忆能力。Kùzu的优势在于：
7. 未来展望一个新方向是：将智能体的上下文“卸载”到外部数据库而非长时间占用模型的上下文窗口。
知识图谱在构建短期与长期记忆时天然契合，例如合同续约案例中，它让智能体只保留必要且重要的信息，并在需要时高效调用.
标签#知识图谱#大模型 #Agent #KG #LLM #企业智能#Graphrag
| 
