知识图谱如何构建

知识图谱回答的是“谁和谁有什么关系”。它的原料是文档片段，加工者是大语言模型，产物是实体、关系，以及每条事实来自哪里的记录。听起来简单，难点在规模和可靠性：一份几百页的文档要调用几十上百次模型，任何一次都可能超时、限流或输出异常。

ApeMind 的图谱构建围绕三个约束设计：内存有上限，不随文档变大而增长；失败有边界，一个窗口失败不连累其他窗口；事实可追溯，每个实体和关系都能回到原文片段。

从片段到可查询的图谱

窗口：失败的最小单位

把整篇文档一次性交给模型不可行，超出上下文窗口；逐片段调用又会丢掉片段之间的关联。窗口是两者的折中：足够大，能看到一段完整的上下文；足够小，失败了只需重试这一块。

每个窗口都有稳定的身份和内容哈希、自己的状态和尝试次数。一个窗口失败，其他窗口的成果原样保留。下面可以亲手跑一次：调整窗口数和永久失败的窗口数，看最终会发布什么。

动画为示意；容忍上限的计算规则与产品一致。

判定规则只有三条：

• 全部成功：事实完整，状态为 complete。
• 永久失败的窗口不超过容忍上限：发布已有事实，状态明确为 partial，查询接口也会返回“部分完成”。
• 鉴权失败、额度耗尽这类系统性失败，或失败超过上限：本轮事实不发布，状态为失败。系统性失败说明问题不在某一段内容，继续发布只会得到一张被系统性截断的图。

容忍上限按窗口总数计算：目标为 5%，至少按 3 个窗口算，同时不超过总数的 25%。还有重试机会的窗口不算失败，会先进入有限次自愈。

先落对象，再写指针

窗口成功后，结果不会直接写进图数据库，而是先序列化、校验结构、分别检查压缩前和压缩后的大小，写成一个不可变对象；对象提交成功后，才在数据库里写下指向它的指针。

这个顺序保证了一件事：数据库里说“成功”的窗口，一定能找到它的结果。反过来，只有对象没有指针的，是崩溃留下的孤儿，由清理器回收。超过大小上限的窗口会以明确的错误失败并有限次重试，不在运行中临时拆分，避免引入分片提交和部分恢复这类复杂协议。

有界收敛

收敛器是把几十个窗口结果合成一张图的环节，也是最容易爆内存的环节。如果它把整篇文档的实体和关系全部装进内存再写入，文档越大，内存越大，迟早会被一份超大文档压垮。

ApeMind 的收敛器不保留全集。它一页一页地读成功对象，只在当前预算内按规范键合并；预算或键数量到达上限，就把这一批写进图数据库，清空后继续。去重同时发生在两层：内存页内精确合并，图数据库按唯一键幂等写入并合并血缘。最终正确性依赖数据库的唯一键，而不是进程里那份无上限的全集。

血缘：删掉一篇文档会发生什么

同一个实体常常由多篇文档共同贡献。“区域总监”可能同时出现在审批权限表和组织架构里。图谱为每个实体和关系记录 血缘，删除文档时只摘掉这篇文档的血缘：还有其他来源的事实继续保留，失去最后一个来源的事实才会被回收。

点左侧的文档把它移出知识库，观察哪些实体留下、哪些被回收，以及右侧的待刷新队列如何决定实体向量的去留。点实体可以查看它的血缘。

示例数据为演示用途。连线越粗，表示这条关系被越多文档共同支持。

实体向量是投影，不是事实

图谱有两层结果：图谱事实是权威层，包括实体、关系和血缘；实体向量是派生层，只是规范实体当前“名称 + 类型”的向量化投影，用来在查询时按语义找到实体。

两层被刻意解耦：

• 向量的待办任务只按“知识库 + 实体名”标识，不带文档 ID。一个实体由多篇文档共享时，删除其中一篇不会误删大家共用的向量点。
• 工作器只看实体当前是否存在、当前的名称和类型：存在且内容哈希没变就跳过，变了才重新嵌入；不存在就删除向量点。新增一条血缘不会触发重复嵌入。
• 向量写入失败时，待办记录保留并指数退避重试，不会回滚已经发布的事实，也不会把文档标记为失败。实体关键词搜索、邻居扩展、路径查询直接走事实层，向量积压时照样可用。

关系本身不生成向量，它们以事实的形式存在于图数据库里，服务于邻居、路径和证据查询。

换一种图数据库也成立

图谱事实可以存放在 PostgreSQL、Neo4j 或 NebulaGraph 里。PostgreSQL 后端把事实、血缘和向量待办写在同一个事务里，天然一致。Neo4j 和 NebulaGraph 无法与应用数据库组成跨库事务，系统先把受影响实体的待办持久化并加租约，再修改图数据库：如果图变更前崩溃，实体仍在，工作器幂等写入；如果变更后崩溃，实体已不在，工作器删除向量点。无论停在哪一步，结果都会收敛到正确状态。

查询时图谱扮演什么角色

图谱在检索中是第三条召回通道：先用实体向量或关键词找到实体，向外扩展邻居，再沿血缘回到原文片段，和向量、全文的结果一起融合。详见 三种索引如何分工。

图谱结果是导航和证据定位的线索。智能体最终引用的是原文片段，而不是模型抽取出的一条关系，这样即使抽取有偏差，回答也总能落到可核对的原文上。

边界

• 实体和关系由大语言模型抽取，质量取决于模型和文档本身；图谱不保证抽取完整无误。
• 相似实体（例如“财务BP”和“财务 BP”）会被检测为合并候选，但只给建议，需要人工确认后才合并。
• 重建图谱期间，可能短暂同时看到新旧两个解析版本的事实；旧版本血缘随后由清理流程移除。
• 建图需要为每个窗口调用模型，是三种索引里成本最高、耗时最长的一种。

出问题时查哪一环