知识图谱没有统一的分类标准，行业实践中常用的是五个相互交叉的维度。同一张图谱会同时落在每个维度的一个位置上。本文按五个维度逐层展开，随后横向比对各类图谱的技术特点与适用场景，最后回到大模型应用，给出价值排序与选型建议。
一、覆盖范围：通用、领域与企业
这是行业中应用最广的划分方式。
通用知识图谱本质是一套结构化的百科知识库，代表系统包括 Wikidata、DBpedia。知识来自维基百科等开放数据的自动抽取，覆盖面广而深度有限，噪声与不完整信息较多，主要服务于语义搜索、问答与实体链接等以召回为目标的场景。
领域知识图谱面向单一行业，强调知识深度与准确性。医疗、金融、法律等领域的图谱通常要求先建立严格的概念框架，再填充实例。原因在于错误代价：医疗图谱中一条错误的关系，可能直接影响临床判断。
企业知识图谱可视为领域图谱在企业边界内的收束。它需要整合 ERP、CRM、工单与文档等多源系统，并与企业数据治理体系绑定，对权限、血缘和可追溯性有明确的工程要求。
三者并非并列替代关系。通用图谱为领域图谱提供实体对齐与种子事实，领域图谱建成之后亦可反哺通用图谱。企业落地的现实选择，通常是领域图谱或企业图谱，而非追求通用图谱的广度。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
二、知识内容类型：概念、实体、常识与事件
通常所说的"知识图谱"，多指实体图谱——节点是具体的人、公司、产品，边是实体之间的真实关系，Freebase、Wikidata 均属此类。但图谱所承载的内容并不限于实体事实。
概念图谱的节点是抽象的类别而非具体个体，刻画上下位、同义等语义关系，代表系统为 WordNet、知网。常识图谱承载日常生活常识，如 ConceptNet，目前仍以研究应用为主。事件图谱以事件为节点，边表示因果与时序关系，是金融风控、情报分析中的关键结构，属于发展较快但尚未成熟的新类型。
这些类型可以在同一张图谱中并存：概念层提供框架，实体层承载事实，事件层刻画演化。
三、知识形态：静态、时序与多模态
知识是否随时间变化，决定了建模难度。
静态图谱适用于稳定的知识，如历史事实与文献知识。时序图谱为每条知识附加时间维度，适用于金融（股价、持股比例）、电商（库存、价格）、供应链（供应商关系）等强时效场景。大模型的时序推理能力相对薄弱，这类问题的可靠回答往往依赖图谱而非模型本身，因此时序图谱的工程价值正在被重新认识。多模态图谱将图像、视频等与实体关联，用于医疗影像、工业质检等场景，目前仍以研究为主。
四、构建方式：自动化程度与构建顺序
构建方式包含两个相互独立的视角。
按自动化程度划分，有人工构建（质量高、规模小、成本高，如 WordNet）、自动抽取（规模大、噪声较多，如 DBpedia），以及人机协作的半自动方式（如 Wikidata 的机器生成加人工审核）。
按构建顺序划分，自顶向下是先建立概念框架再填充实例，适用于知识范围明确的场景；自底向上是先抽取实例、积累后归纳出框架，适用于范围不明确的开放场景；两者交替迭代的混合方式，是领域图谱的主流做法。
一条经验判断：通用图谱可以自底向上生长，领域图谱则必须以框架先行。不少企业图谱后期难以治理，根源在于初期选择了"先堆事实、后续再治理"的路径。
五、数据模型：RDF 与属性图
这是技术选型中无法回避的选择。
RDF 三元组图谱属于 W3C 标准体系，语义表达能力强，原生支持逻辑推理，适合对约束严格性和跨组织数据交换有要求的场景，代价是工程生态相对小众、相关人才稀缺。
属性图（以 Neo4j 为代表）节点与边可直接承载属性，查询语言易上手，可视化与图算法工具成熟，适合大规模在线服务；但它缺少标准化的本体语言与推理体系，语义约束更多依赖建模纪律。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
实践中较为务实的做法是：本体设计用 RDF/OWL 表达，落地存储用属性图。
六、五个维度的横向对比
前五节逐维展开，容易给人一种是五个并列选项的印象。实际关系并非如此：它们是同一张图谱的五个切面，任何一张图谱都可以落成一组坐标——覆盖范围、内容类型、知识形态、构建方式、数据模型。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
其中构建方式包含两个子口径：按自动化程度分为人工、自动、半自动；按构建顺序分为自顶向下、自底向上与混合。
以银行反欺诈图谱为例，其坐标可写作：领域图谱（覆盖范围）× 实体与事件图谱（内容类型）× 时序图谱（知识形态）× 框架先行、半自动构建（构建方式）× 属性图存储（数据模型）。坐标写清之后，多数争议会自行消解。
五个维度的权重并不相等。前两个维度界定"建什么"——知识边界在哪里、承载哪类内容；后三个维度解决"怎么建"——建模复杂度、建设路径与技术栈。顺序上应先谈拢前两个，后三个随之收敛；反之，在边界未定的时候先争论 RDF 与属性图，选出的往往只是工具，而非方案。
更常见的偏差是跨维度并列比较：把事件图谱（内容类型）与时序图谱（知识形态）视为二选一，或把通用图谱（覆盖范围）与概念图谱（内容类型）当作同级选项。这类比较没有交点，结论通常只能落在"各有优劣"，无法支撑决策。
七、大模型时代的价值重排
这是当前选型中最值得关注的变化。核心判断是：知识图谱的角色正在从"知识的来源"转向"知识的组织、约束与可追溯层"。
凡大模型参数已经内化的知识——通用百科、常识、词汇语义——图谱的边际价值在下降。而大模型缺失的企业私有知识，以及它相对薄弱的能力（时序推理、严格约束），正是图谱价值上升的方向。
按当前应用价值排序，大致可分为四类：
第一类，领域与企业实体图谱，配套概念骨架。 大模型不具备企业内部的客户、工单与规则知识，GraphRAG、Agent 知识底座与可追溯问答均依赖这张图。其中实体层承担检索与召回，概念层承担约束与治理。
第二类，时序与事件图谱。 面向金融风控、运维根因等场景，带时间戳的事件结构补足的正是模型的推理短板。这类图谱的特点是需求明确、供给不足——事件抽取技术尚不成熟。
第三类，高风险领域的强本体图谱。 医疗、法律、金融合规等场景对错误零容忍，模型输出必须经过概念框架与规则校验，例如药物禁忌关系不允许被生成式内容覆盖。图谱在此承担约束作用，其价值因模型的不确定性而上升。
第四类，Agent 动作本体。 将可执行动作连同前置条件与后果一并建模，用于约束智能体的行为空间并提供可审计的操作语义。方向明确，但公开工程案例尚少，宜持续观察。
关于 GraphRAG 的路线选择也值得说明：早期实现采用弱模式路线，直接从文本抽取实体关系，以快速可用为优先；企业级实践则表明，缺乏本体治理的图谱难以维持一致性，"模式先行"正在重新成为主流选择。
八、选型建议
给 AI 应用建图谱，可按三步收敛：
第一步，确定边界。 企业落地通常落在领域或企业图谱，不必以通用图谱的广度为目标。
第二步，确定形态。 业务具有强时效性（金融、供应链）则须引入时序建模；存在强视觉语义需求时才考虑多模态。
第三步，确定技术栈。 需要严格语义约束与跨组织交换，选择 RDF 体系或"RDF 建模、属性图落地"；以工程效率与大规模在线服务为主，选择属性图。
最后总结一点：今天建图谱的首要目的，已不再是"把知识存入图数据库"，而是为 AI 提供一层可追溯、可约束、可治理的语义基础。建模范围应当从应用需要回答的问题倒推，这也是本体工程中"决策倒推建模"原则的实际含义。
本体论、FDE、Workbuddy资料下载方式：
扫描下方二维码加入知识星球“金融科技与数字化转型”（持续运营2000余天），更有清华大学、北京大学、复旦大学最近报告论文，人工智能、金融科技、智能制造、麦肯锡、IBM、埃森哲、华为咨询方法论案例等超千份资料实时更新。
