Graph Engineering：讓 AI 真正「懂世界」 的工程

產業 AI 的決勝點，從來不在模型本身的「馬力」，而在駕馭它的「整車系統」——這是我們在討論 Harness Engineering（駕馭工程）一文中得出的核心結論。

在那套三層架構中，控制層的「圖譜約束」與記憶層的「關係記憶」，無一不以知識圖譜為內核。但在真實的產業深水區，一個更底層的工程拷問隨之浮現：圖譜本身，如何被工程化？

這正是 Graph Engineering（圖譜工程） 的核心命題。如果説 Harness 解決的是「如何駕馭模型」，那麼 Graph Engineering 解決的則是「模型該信什麼」的問題——為模型構建可信、可推理、可演化的結構化世界模型。

近日，浙江大學與伊利諾伊大學芝加哥分校（Philip S. Yu 院士團隊）聯合發表重磅綜述《Graphs Meet AI Agents》，首次為「圖 × Agent」建立了完整的學術分類體系。論文系統論證了一個核心共識：面對複雜任務，Agent 必須處理錯綜複雜、雜亂無章的信息、操作與交互；而數據結構化（data structurization）是讓 Agent 有效理解與處理的關鍵；圖，則憑藉其組織、管理、利用複雜數據關係的天然優勢，成為支撐結構化的強大數據範式。

這一前沿論斷，與海致科技十余年的產業實踐不謀而合。我們始終堅信鄭緯民院士所言：「圖譜如左腦，大模型如右腦。」 真正的產業級 AI 絕非兩者的簡單拼接，而是讓結構化知識成為模型內在的思考框架。

本文將從工程架構的深層邏輯出發，解析 Graph Engineering 的技術內核，並分享海致科技如何通過成熟的圖譜工程實踐，為產業級 AI 構築真正可信的知識底座。

01範式確立：Graph Engineering 的興起

《Graphs Meet AI Agents》綜述給出了一個清晰的判斷：傳統 Agent 主要處理非結構化數據，只能在學習過程中「隱式地」識別信息間的潛在關聯；而基於圖的結構化建模，能將原始複雜的輸入轉化為簡潔、組織良好的形式，使 Agent 更好地理解與處理。

這一判斷，標誌着 AI 知識工程經歷了三次關鍵躍遷： 

2022 年前：規則與專家系統時代（知識 1.0）——依賴人工定義本體、規則模板與專用 NLP 管線。精確，但不可擴展，每進入一個新領域都要從零構建。 

2023~2024 年：向量檢索時代（知識 2.0）——以 RAG 為代表，用向量嵌入做語義相似度匹配，為模型提供外部知識。可擴展，但本質是「孤立點」的相似匹配：它知道「像什麼」，卻不知道「連向誰、為什麼」。 

2025 年起：圖譜工程時代（知識 3.0）——以微軟 GraphRAG（2024）為開端，到 2025 年《Graphs Meet AI Agents》綜述的系統化，知識圖譜不再只是事實庫，而是被工程化為 Agent 的可推理記憶、推理腳手架與可驗證知識層。圖將知識組織為帶關係、帶時序、可演化的網絡。 

一個朴素的類比可以説明這三次躍遷的本質差異：向量是「印象」——你隱約記得某樣東西「像什麼」，卻説不清它和其他事物的關係；圖譜是「地圖」——你不僅知道某個地點「是什麼」，還知道它「連向誰、怎麼去、途經哪里」。模型是駕駛員，而 Graph Engineering 造的，正是那張讓駕駛員不再迷路的地圖。 

值得注意的是，這三次躍遷並非簡單的「替代」關係，而是能力維度的遞進與補全：向量檢索在語義泛化與模糊匹配上不可替代，圖譜工程則在此基礎上疊加了關係推理與邏輯溯源的「第二層能力」。二者如同人腦的「系統1（直覺）」與「系統2（分析）」，協同而非對立。 

同時，這三次躍遷與 AI 工程的整體演進（Prompt Engineering → Context Engineering → Harness Engineering）並非平行，而是垂直嵌套：Graph Engineering 正是 Context Engineering 向圖譜的深化，也是 Harness Engineering 中「控制層」與「記憶層」的技術內核。 

當行業熱議「駕馭工程」時，圖譜工程早已是那套韁繩與記憶的實質載體。 

02 向量 RAG 的「推理懸崖」:為什麼 Graph Engineering 是產業 AI 的必選項

向量 RAG 憑藉其在語義泛化與模糊匹配上的天然優勢，在 C 端容錯率高的場景中表現優異，但一旦進入金融、政務等要求確定性推理與邏輯溯源的 B 端核心業務時，單純的向量相似度檢索會暴露出結構性短板——它擅長找到「看起來像什麼」的孤立片段，卻難以串聯「連向誰、為什麼、怎麼去」的關係鏈條。這並非向量 RAG 的「失敗」，而是其能力邊界所在。

正如人腦需要「直覺」與「分析」協同工作，產業AI同樣需要向量檢索與圖譜推理的深度融合。Graph Engineering 正是補全這「系統2」推理能力的工程化方案。這一判斷在多篇頂會實驗中已得到系統性驗證。

1. 語義相似 ≠ 邏輯相關：多跳推理的系統性失敗

向量檢索的本質是「孤立點」的相似度匹配，各段落獨立編碼，無法跨段落關聯實體關係。這在多跳推理（如「A 的配偶的導師畢業於哪所大學」）上導致系統性失敗。

HippoRAG（NeurIPS 2024）給出了最直接的證據：用知識圖譜 + 個性化 PageRank 融合向量檢索后，在 2WikiMultihopQA 上 Recall@5 從純向量的 68.2 躍升至 89.5——提升最高達 20%，且成本降低 10~30 倍、速度快 6~13 倍。

更具説服力的是 StructuralMemory 論文的直接對照實驗：在系統對比 chunks（向量）、knowledge triples（圖）、atomic facts、summaries 四種記憶結構后，知識三元組在關係推理與多跳 QA 上明確優於純向量 chunks，且含三元組的混合記憶抗噪魯棒性最強。

向量只能找到「像什麼」，圖譜才能回答「連向誰」——這是結構性的能力差異，而非調參能彌合的。

但需強調的是，最穩健的方案並非用圖譜替代向量，而是以圖譜做關係骨架、以向量做語義入口，二者協同構成混合檢索架構。

2. 黑盒推理與審計困境：從「概率猜測」到「路徑可溯」

企業核心業務必須通過合規審計，但通用大模型的推理是「黑盒」。圖譜工程將這一問題從根本上改寫：圖結構將 LLM 的「黑盒推理」轉化為「白盒路徑推理」——每一步推理都有知識圖譜中的實體與關係作為錨點，過程可追溯、可審計、可糾正。

Think-on-Graph（ICLR 2024）讓 LLM 作 Agent 在知識圖譜上執行 beam search，每一步只在圖譜中真實存在的鄰居關係里選擇，推理路徑忠實於圖結構。其顯式路徑可回溯定位錯誤三元組，支持人工或 LLM 反饋修正。Reasoning on Graphs（ICLR 2024）更進一步，用知識圖譜 grounded 的關係路徑作為「忠實計劃」（faithful plan）約束推理方向。

其消融實驗極具説服力：隨機路徑（35.2 F1）比無路徑（49.7）更差，而知識圖譜忠實路徑達到 70.8——這證明不是「加個圖就好」，而是「正確且完整的圖譜結構」纔能有效引導推理。

這也反推出 Graph Engineering 的首要工程挑戰——如何持續構建、校驗與補全高質量的知識圖譜本體。地圖越精確，駕駛員越可信；但若地圖本身有缺漏，工程體系必須內置糾偏與動態更新機制，這也是海致科技在本體約束層投入的核心價值所在。

3. 知識不可演化：向量是靜態快照，圖譜是活的關係網絡

企業知識是動態的——客户關係在變、政策在更新、庫存實時流轉。但向量庫本質是靜態快照，無法表達「關係隨時間演變」。Zep/Graphiti（2025）用時序知識圖譜維護歷史關係，在跨會話信息合成上準確率提升 18.5%、響應延迟降低 90%；A-MEM（NeurIPS 2025）讓新記憶加入時觸發歷史記憶的自組織更新，token 用量降低 85-93%，多跳任務性能達到 MemGPT 等 vector/cached 記憶的 2 倍。圖譜不是被查詢的死數據，而是與 Agent 交互持續演化的活網絡。

而最反直覺、也最有力的一條證據來自 Think-on-Graph：Llama2-70B + 圖約束，在 ComplexWebQuestions 上（53.6%）超過了 GPT-4 無圖約束的 CoT 推理（46.0%）。小模型 + 圖譜工程，超越大模型裸跑——這直接印證了產業 AI 的核心判斷：決勝點不在模型參數，而在工程體系。Graph Engineering 的增益，甚至超過了模型規模的增益。

03 Graph Engineering 核心架構與工程化實現

上述產業困局表明，單純依靠向量檢索或裸模型推理在應對複雜關係推理時存在能力缺口，無法滿足 B 端核心業務的要求。而圖譜工程正填補了這一缺口。但這不意味着單一圖譜方案通吃所有場景，產業AI不存在放之四海而皆準的單一底座。

《Graphs Meet AI Agents》綜述將圖賦能 Agent 的能力劃分爲規劃、執行、記憶、多智能體協調四大功能——這與海致在 Harness 架構中沉澱的「控制層—記憶層—編排層」三層體系形成精確映射。

依託十余年深耕 2B 領域的技術積澱，海致已將圖譜工程能力深度轉化為 Graph Engineering 的核心組件：

1. 控制層（約束推理）：從「試錯」到「防錯」

在可靠性要求極高的產業場景中，任何「試錯」都代價高昂。Graph Engineering 的控制層通過知識圖譜作為標準化約束框架，將企業級事實、業務關係與行業規則結構化沉澱，構築 Agent 推理的核心「軌道」。

正如 Reasoning on Graphs 所證明的，知識圖譜 grounded 的忠實計劃能有效約束 LLM 的推理方向；Graph Chain-of-Thought（ACL 2024）的圖執行子步更充當「事實校驗器」，確保推理不脱離圖結構。

海致的行業本體正是這一層的工程化落地：通過圖 Schema 定義實體間的合法關聯，防止 Agent 生成不符合業務邏輯的輸出；通過圖查詢驗證模型生成的關係是否符合本體既有事實；當模型輸出與本體衝突時，觸發反饋迴路強制重新推理。這不是告訴模型「你錯了」，而是告訴它「正確的路徑在本體的哪條邊上」。

2. 記憶層（關係記憶）：超越語義的「關係網絡」

傳統向量數據庫提供語義記憶（「像什麼」），而產業級 Agent 需要可推理的關係記憶（「是什麼、連向誰、為何關聯」）。

綜述在 Memory 章節詳述了 AriGraph、GraphRAG、Zep、HippoRAG 等如何用圖結構組織、檢索與維護 Agent 記憶——GFM-RAG（NeurIPS 2025）更以圖基礎模型實現單步多跳檢索，在 7 個領域數據集上零樣本遷移平均超過 HippoRAG 18.9%。

海致的 AtlasGraph 圖數據庫提供正是這種可推理的關係記憶：不僅能回憶，還能基於關係進行邏輯推導；不僅記錄當下狀態，還維護狀態流轉的時序關係，確保 Agent 在長時間跨度的業務流程中不迷失，能夠基於歷史狀態推導而非僅依賴當下上下文。這是向量庫無法勝任的「跨周期記憶」。

3. 編排層（工具整合）：異構系統的「關係骨架」

B 端企業的 IT 環境是數十年積累的「技術債博物館」。當 Agent 擁有海量工具時，工具間存在複雜的依賴與調用關係。

綜述在 Execution 章節指出，圖組織可將工具編排為「工具圖」：ToolNet 將工具組織成有向圖，使工具規模擴展到數千個而 token 消耗僅適度增長；GPTSwarm（ICML 2024）將 Agent 本身抽象為可優化 DAG，自動優化節點與邊；ControlLLM 用資源—工具二部圖 + 並行搜索規避工具使用幻覺。

工業側，LangGraph 已將「圖即 Agent 編排」產品化（被 Klarna、Uber、J.P. Morgan 採用）；Anthropic 的 MCP 協議正成為工具連接的事實標準，而 Google 主導的 A2A 協議則補足了 Agent 間協作——MCP（Agent↔工具）+ A2A（Agent↔Agent）構成完整的整合棧，圖在其中扮演「關係骨架」。

海致的 Atlas 智能體平臺正是這一層的工程載體：將企業 API、數據庫、業務系統封裝為 Agent 可調用的工具，實現複雜任務的狀態機管理，兼容百余款大模型動態路由，並在關鍵決策點保留人類最終決策權——讓通用模型轉化為「能持續執行任務的產業 Agent」。

結語

2025 年，當《Graphs Meet AI Agents》綜述將「圖如何賦能 Agent」系統化為完整 taxonomy 時，它實際上為產業 AI 指明瞭一個被長期低估的真相：大模型決定了智能的上限，但知識底座決定了系統可靠運行的底線。

這並非否定向量檢索的敏捷，也並非誇大單一圖譜的萬能，而是強調一種工程上的務實平衡。正如地圖之於駕駛員——沒有地圖，再快的車也只能憑印象亂跑；有了精確可推理的地圖，才能規劃路線、規避歧路、到達目的地。Graph Engineering 造的，正是這張讓 AI Agent 從「憑印象猜測」走向「按地圖推理」的知識底座，是讓其在複雜業務迷宮中不再迷航的「高精地圖」。

在產業智能化的進程中，提供模型如同提供引擎，固然重要；但構建可驗證、可推理、可演化的圖譜工程體系，纔是將原始智能轉化為可靠生產力的關鍵一躍。尤其是在多跳推理、關係回溯與合規審計的複雜場景中，Graph Engineering 正從「可選項」變為「優選項」。當然，對於大量輕量級文本處理任務，純粹的向量方案依然是更經濟高效的選擇。真正的 Harness Engineering，在於根據業務場景的「推理深度」要求，動態編排向量、圖譜與模型能力的配比。

海致始終致力於成為這套工程的構建者——不迷信單點技術的顛覆，而是深耕結構化知識與大模型協同的底層架構，讓產業級智能體真正成為一臺「可推理、可審計、可演化」的可靠生產力工具，而不再是一臺只憑「印象」行事的概率猜測機。

附：本文引用的關鍵學術論據索引

以下論據來自 arXiv:2506.18019v3《Graphs Meet AI Agents》綜述及其延伸線索的深度調研，用於支撐本文各論點的可靠性。

綜述錨點：該綜述是首個「圖 × Agent」系統 taxonomy，核心論點：數據結構化是 Agent 關鍵，圖是結構化的強大範式。

參考資料： 

Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities（Yuanchen Bei 等，浙大 + UIC Philip S. Yu 團隊，2025-06，arXiv:2506.18019）

*本文作者為海致科技首席架構師張偉，經編輯。

本文來自微信公眾號「海致科技」，作者：海致，36氪經授權發佈。