知识图谱驱动的 Agent 构建
业界洞察报告 · Knowledge-graph-driven Agent Engineering
研究方法：遵循 view 177「GPT-Researcher Multi-Agent Research」的多 Agent 流程 ——
Planner 规划 → Researcher 并行子研究 → Editor 撰写 → Reviewer 评审 → Publisher 发布。
围绕「知识图谱驱动的 Agent」主课题，经 4 个并行子研究聚合而成，所有关键论断附引用来源。
一、核心结论（TL;DR）
- 图谱正从 RAG 的"可选项"变成 Agent 的"默认基础设施"——业界正重演 Google 2012 年"things, not strings"的路径，GraphRAG 被视为超越纯向量 RAG 的下一代默认检索架构 [1]。
- Agent 记忆正在图化：Neo4j 等厂商提出"上下文图（Context Graph）"与 Agent 记忆服务（NAMS），把短期对话、长期知识、推理轨迹统一建模为图，并进一步把记忆蒸馏成可移植的 SKILL [4]。
- 实证数据一致指向"图 > 纯向量"：Data.world 平均 3 倍准确率提升 [1]、LinkedIn 客服中位解决时间降 28.6% [1]、英国 NICD 独立研究称 Agent 真实度提升 80% [3]。
- 本项目（ArchGraph）正在践行的方向与业界前沿高度同构——详见第七节。
二、为什么 Agent 需要知识图谱（动机与价值）
Neo4j 的《GraphRAG Manifesto》把当前阶段称为 RAG 的 "Blue Links 时代"：纯自回归 LLM + 向量 RAG 存在天花板——向量只回答"相似性"，却无法表达"事物之间的关系"，且难以解释决策依据 [1]。
向量与图谱是两种本质不同的知识表示：
| 维度 | 向量表示 | 图谱表示 |
|---|---|---|
| 性质 | 统计式（数组） | 声明式/符号式（世界模型） |
| 擅长 | 相似度匹配 | 关系、结构、多跳推理 |
| 可解释性 | 弱 | 强（人机皆可读） |
| 可治理性 | 弱 | 强（权限、溯源、审计） |
基线 RAG 的两个公认短板被 Microsoft 明确点出：① 无法"连点成线"（跨片段综合推理）；② 无法对大数据集做全局语义概括 [2]。GraphRAG 通过 LLM 生成的知识图谱补足这两点，且 tokens 消耗减少 26%–97% [1][2]。
对 Agent 而言，图谱带来三大类收益 [1]：
- 运行时：更高准确率、更完整、更有用的答案；
- 开发期：数据可见、易调试、易迭代；
- 治理：可解释、可溯源、可做细粒度权限控制（合规/金融/医疗刚需）。
三、核心技术方法
3.1 GraphRAG 流程（Microsoft GraphRAG）
Microsoft GraphRAG 采用结构化、层次化的 RAG 流程 [2]：
- 索引（Index）：语料切分为 TextUnits → 抽取实体/关系/关键声明 → Leiden 层次聚类构建社区 → 自底向上生成社区摘要；
- 查询（Query）：三种主模式——Global Search（基于社区摘要做全局问题）、Local Search（围绕特定实体向邻居扇出）、DRIFT Search（局部扇出 + 社区信息增强），另有 Basic Search（纯向量兜底）。
3.2 图的两种形态 [1]
- 域图（Domain Graph）：对"世界模型"的表达，实体与实体间语义关系；
- 词法图（Lexical Graph）：文档结构图（chunk、章节、表格、来源、作者），二者可叠加成双层图。
3.3 轻量化检索：LightRAG 的双层架构与五种查询模式
LightRAG（HKUDS，EMNLP2025，arXiv 2410.05779）是 Microsoft GraphRAG 的高效替代，采用 KG + 向量双层架构，提供 local / global / hybrid / naive / mix 五种查询模式，并支持增量更新与选择性删除 [5]。
3.4 图谱作为 Agent 记忆（最新前沿）
Neo4j Agent Memory Service（NAMS）把 Agent 记忆分为三类并建模为上下文图 [4]：
- 短期记忆：对话消息（信息）；
- 长期记忆：经领域本体抽取的实体关系知识图谱（知识）；
- 推理记忆：推理与决策轨迹、工具调用、结果与反馈（通向"行动"）。
"Memory records what happened. An ontology turns what happened into knowledge. Distillation turns that knowledge into something an agent can run." [4]
四、主流框架与开源项目对比
| 项目 | 定位 | 关键特征 | 来源 |
|---|---|---|---|
| Microsoft GraphRAG | 结构化层次化 RAG | Leiden 社区聚类 + 社区摘要；Global/Local/DRIFT 查询 | [2] |
| Neo4j | 图数据库 + GraphRAG 生态 | GraphRAG Manifesto、LLM Knowledge Graph Builder、NAMS、MCP for Aura | [1][4] |
| LlamaIndex | RAG 框架 | Property Graph Index，将文本转为属性图 | [1] |
| LangChain / LangGraph | Agent 编排 | Neo4j Cypher 集成；LangGraph 以"图"表达 Agent 工作流 | [1] |
| LightRAG (HKUDS) | 轻量图 RAG | 双层架构、5 查询模式、增量更新、多后端存储 | [5] |
| GPT-Researcher | 深度研究 Agent | Planner + 执行 Agent + Publisher；Deep Research 树状探索；MCP 集成 | [6] |
五、实证数据（效果验证）
| 研究/机构 | 结果 | 来源 |
|---|---|---|
| Data.world（43 个业务问题） | GraphRAG 平均提升准确率 3 倍（54.2%） | [1] |
| Microsoft Research（arXiv 2404.16130） | tokens 消耗减少 26%–97% | [1][2] |
| LinkedIn（客服场景） | 中位单问题解决时间降 28.6% | [1] |
| Writer（RAG Benchmark，RobustQA） | GraphRAG 86% vs 竞品 33%–76% | [1] |
| 英国 NICD 独立研究（510 个复杂问题） | Agent 真实度 +80%；回答数 2 倍；幻觉更少；token 更省 | [3] |
NICD 细节：GraphRAG 真实度评分 63 vs 纯向量 35；精确率 .38 vs .18、召回率 .35 vs .15；拒答率从 71.1% 降到 34.7%（回答率 28.9% → 65.3%）。关键洞察：无需重手工本体，仅用"标题 + 章节 + 链接"的轻量图结构即可显著提升 Agent 可靠性 [3]。
六、应用场景与趋势
典型场景 [1][3]：企业知识库与客服、金融/投资（SEC 文件、欺诈检测）、医疗、法律、供应链韧性、制造业、政府公共部门。
六大趋势：
- 图谱 + 向量融合成为默认：GraphRAG 被定义为"包含向量的 RAG"，而非替代 [1]。
- Agent 记忆图化：上下文图（Context Graph）成为 Agent 基础设施 [4]。
- 技能蒸馏与可移植：AIP（Agent Instruction Protocol，arXiv 2606.04781）提出把技能表示为带类型的图，SkillsBench 上结构化技能比自由文本 pass rate +14.1pp、快 13% [4]。
- MCP 成为图谱接入 Agent 的标准通道：Neo4j MCP for Aura、GPT-Researcher 的 MCP retriever [4][6]。
- 治理成为 Agent 落地的最大门槛：可解释、可审计、权限控制是合规行业刚需 [1][3]。
- 降本：轻量图结构（无需重本体）、LightRAG 式无社区报告的检索，显著降低 LLM 调用成本 [3][5]。
七、对本项目的启示（开放知识图谱工程）
对照业界前沿，本仓库正在实践的方法论与趋势高度吻合，且形成互补闭环：
| 本项目实践 | 对应业界趋势 |
|---|---|
design/KG/SystemArchitecture.json（ArchiMate 3.2 意图图谱） | GraphRAG 的"域图/世界模型" |
验收用例 GIVEN-WHEN-THEN + node --test 可执行化 | GraphRAG 的"可解释、可审计、可验证" |
.github/skills/*/SKILL.md + ARGO MCP | AIP 技能图 + NAMS 技能蒸馏 + MCP 接入 |
| 多 Agent 研究流程建模（view 177） | GPT-Researcher / STORM 的 Planner-Executor 范式 |
| KGlibrary 参考库 | 轻量图结构即可增益 Agent 可靠性（NICD 结论） |
可借鉴的下一步：
- 为意图图谱引入社区/层次索引（Leiden 聚类 + 社区摘要），支撑"全局性"查询；
- 将 Agent 推理轨迹（reasoning memory） 写回图谱，为后续"技能蒸馏"做准备；
- 用 GraphRAG 的 Local/Global 双模式对标本项目的验收用例设计（外部验证 vs 内部实现）。
八、参考文献
- Philip Rathle, The GraphRAG manifesto: Adding knowledge to GenAI, Neo4j Blog, 2024-07-11. https://neo4j.com/blog/genai/graphrag-manifesto/
- Microsoft GraphRAG 官方文档. https://microsoft.github.io/graphrag/ （论文 arXiv:2404.16130）
- Jim Webber, Independent study: GraphRAG makes AI agents 80% more truthful, Neo4j Blog, 2026-07-22. https://neo4j.com/blog/agentic-ai/study-graphrag-ai-agents-80-percent-more-truthful/ （NICD 报告，基准 MoNaCo，arXiv:2508.11133）
- William Lyon, From Agent Memory to Portable Skills, Neo4j Blog, 2026-08-06. https://neo4j.com/blog/genai/from-agent-memory-to-portable-skills/ （AIP，arXiv:2606.04781）
- HKUDS/LightRAG. https://github.com/HKUDS/LightRAG （EMNLP2025，arXiv:2410.05779）
- assafelovic/gpt-researcher. https://github.com/assafelovic/gpt-researcher （Plan-and-Solve arXiv:2305.04091；STORM arXiv:2402.14207）