知识图谱激活 DeepSeek 智能体，图模互补重构企业专业知识管理

推荐语

知识图谱与AI智能体的结合，为企业知识管理带来革命性变革。

核心内容：
1. DeepSeek智能体技术亮点与应用前景
2. 图模互补范式：知识图谱与大模型的协同效应
3. 企业知识管理智能体的实践案例与未来展望

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

01

DeepSeek 技术亮点及不足

DeepSeek-R1 在推理能力上达到了与 o1 相当或接近的水平，并且能够将推理过程可视化。更值得一提的是，它仅使用了较少的资源，成本低廉。此外，DeepSeek-R1 完全开源，并附有详细的论文，介绍了训练过程中的所有步骤和技巧。

DeepSeek MoE 的架构在 V2 版本时已相当成熟，与当前版本基本一致。其核心改进在于注意力机制部分，引入了 MLA 架构。此外，其采用了小规模专家模型，并通过大量专家来存储各种知识。

2024 年底至 2025 年初期间，相继推出了 V3 和 R1 版本，通过强化学习和多阶段训练，使模型在数学、代码、高级推理任务等方面的能力获得了显著提升。

DeepSeek 之所以在全球范围内广受关注，主要归功于以下几点：

• 卓越的能力：其强大的功能吸引了众多目光。

  
  

• 开源开放：代码的公开性使得任何人都可以验证并使用它。

  
  

• 低算力成本：在金融领域，尤其是股市和华尔街的应用中，其高效的算法显著降低了成本。

  
  

虽然 DeepSeek 很强大，但他也并非无所不能，我们应对其边界有清晰认知。

幻觉和知识陈旧是大模型固有特性，任何使用神经网络实现的模型，都会存在该问题。在不关心可靠性和真实性的场景下，大语言模型无疑是非常有趣和非常有用的。

02

图模互补范式：知识图谱与大模型的协同

1. 图模互补概念解析

图模互补的概念源于自然界中生物间的互利共生关系——不同物种通过功能互补实现生存优势的协同进化。类比到人工智能领域，知识图谱与大模型的互补（简称 “图模互补”），正是借鉴了这一生态逻辑，通过结构化知识网络与非结构化语义理解能力的有机结合，构建更强大的智能系统。

知识图谱的事实性、可控性和可解释性强，能够弥补大模型的不足；而大模型在语言理解和生成方面的优势，可解决知识图谱构建难和语言理解问题。

大语言模型是语义理解的基石，能够为智能体提供强大的语言解析能力。通过海量文本数据训练，这些模型能够精准理解人类语言的含义。例如，在智能客服中，大语言模型可以迅速解析客户的问题，理解其意图，并提供准确的回答和解决方案。知识图谱则构建了丰富的领域知识库，清晰地呈现各种实体及其关系。例如，在金融领域，知识图谱存储了金融产品信息、市场动态及政策法规等知识。借助知识图谱，智能体能够为用户提供专业的金融咨询和投资建议。

2. 双技术体系核心痛点

知识图谱技术主要痛点包括两大方面：

• 构建与维护难：图谱构建耗时费力，需要大量人工标注和质量控制。从非结构化文本中抽取实体、关系和属性来构建图谱，且难以全面覆盖所有知识，可能导致图谱不完整。

  
  

• 语言理解难：在基于知识图谱的问答系统中，语言理解和生成问题较为棘手，使用门槛较高，限制了其广泛应用和交互体验。

  
  

而大模型也存在一些固有缺陷：

• 大模型训练和推理往往需要消耗大量计算资源和能源，成本高昂且对环境造成负担。

  
  

• 大模型缺乏事实知识验证和纠正机制，容易产生幻觉问题，更新知识的成本高，输出结果难以精确控制和解释。

  
  

3. 图模各自能力

知识图谱的三大技术特征包括：

• 结构化知识表达：知识图谱以“实体-关系-实体”三元组及实体属性-值对为基本单位，构成网状知识结构，实现对物理世界概念及其关系的符号化描述，如在医疗知识图谱中，疾病、症状、药物等实体通过“引发”、“治疗”等关系相互联结，清晰呈现知识体系。

  
  

• 高效检索能力：凭借其独特的图结构，知识图谱能快速定位和查询所需信息。以企业知识图谱为例，可迅速检索特定企业的上下游产业链关系、合作伙伴等，大大提高信息获取效率，满足不同场景下的快速查询需求。

  
  

• 可解释推理机制：基于明确的语义结构和图谱中的精确知识内容与关联结构，知识图谱能进行高可信度的推理，且推理过程和结果具有可解释性。例如在金融风险评估中，可依据图谱中企业的股权关系、交易记录等进行风险推理，并清晰展示推理依据。

  
  

大模型能力突破方向：

• 语义理解泛化能力：大模型通过在海量文本数据上的训练，能够深入理解语言的语义和语境，不仅能处理常见的文本表述，还能对语义相近、表述不周的内容进行准确理解和分析，实现语义理解的泛化。例如在机器翻译任务中，能准确处理多种语言表达形式。

  
  

• 多任务处理的技术跃迁：大模型具备强大的指令遵循能力，可同时支持多语言、多模态、多领域的多种任务，如既能进行文本生成，又能处理图像识别、语音识别等任务，实现不同类型任务处理能力的技术跃迁，满足多样化的应用需求。

  
  

下图对知识图谱和大模型各自的能力优势进行了总结：

4. 图模互补应用

在实际应用中，知识图谱和大模型并非孤立存在，而是相互配合。同一个智能系统的各组件可根据不同任务和场景需求，灵活运用两者优势，实现知识图谱与大模型的协同，提升系统的智能水平、可控性、可靠性和可解释性。

在《知识增强大模型》一书中，给出了可供参考的图模协同架构。

图模互补带来了可信 AI 发展新范式：

• 可验证性：构建可验证的智能系统，需确保模型输出结果可被验证。例如在金融风险评估中，通过将知识图谱中的准确数据与大模型的分析结果相互印证，能够对风险评估结果进行有效验证，保障金融交易的安全性。

  
  

• 可追溯性：实现可追溯性，要记录智能系统决策的全过程。在司法领域，借助知识图谱记录案件相关的证据和法律条文，大模型进行推理决策时，可清晰追溯每一步的依据，确保司法公正。

  
  

• 可干预性：可干预性使智能系统在出现问题时能及时调整。在自动驾驶场景中，当知识图谱提供的路况信息与大模型的驾驶决策出现偏差时，可通过可干预机制及时纠正决策，保障行车安全。通过制定明确的干预规则和接口，实现智能系统的可干预性。

  
  

KAF（Knowledge-based Agent Factory）正是基于上述理念开发的一款系统，该系统提供了知识图谱相关的文档管理、知识检索、图谱编辑等功能，以及大模型相关的提示工程等配置工具。利用图模互补范式，解决企业知识管理与 AI 应用的实际问题。

03

企业知识应用智能体

1. 什么是知识

杂乱无章的原始数据，经整理后形成了信息，而将信息关联则构成了知识，进一步对知识进行应用即催生了智慧。这一过程正是遵循人类大脑从无序到有序、从孤立到连接、从静态到动态的思维方式。

2. 知识管理发展历程

知识管理的发展始于 20 世纪 70 年代，其演进路径清晰勾勒出从“静态存储”到“智能应用”的变革脉络。早期以知识仓库为主，聚焦于结构化知识的集中存储。随后向场景化应用延伸，强调知识与业务场景的深度融合。伴随 Web 技术的发展，逐步过渡到协同编辑模式，例如维基百科的形式。进入大数据时代，标签化管理通过语义标注实现知识的精准检索与关联。当前，知识图谱与大模型的结合正推动知识管理向智能化跃迁。未来，知识管理的终极目标为 AGI（通用人工智能），即构建具备自主知识获取、推理与创新能力的智能系统。尽管技术形态不断迭代，但始终围绕着企业如何高效管理知识并充分发挥其价值这一核心。

3. DeepSeek 爆火之下的知识管理

知识可以分为四类：Know-What、Know-Why、Know-How 以及 Know-Who。

（1）Know-What

可观察、可量化的事实性知识，通过数据统计、调查、记录等方式呈现。例如，企业员工数量、产品参数、市场销售额、客户基础数据等。属于显性知识，可通过文字、图表等媒介完整记录，便于存储与传播。

主要特性：

• 客观性：基于真实数据，不依赖主观判断。

  
  

• 静态性：反映某一时刻的状态，需定期更新以保持准确性。

  
  

• 基础性：为 Know-How（技能知识）和 Know-Why（原理知识）提供决策依据。

  
  

作用场景：

• 业务决策支持：通过销售数据、库存量等事实知识优化供应链管理（如周转天数、缺货率分析）。例如，某乳制品企业通过用户购买频次数据制定精准营销策略。

  
  

• 合规与标准化：记录企业资质、产品合规参数（如 ISO 认证、安全标准）。例如，零售企业通过门店基础数据（位置、面积）制定统一运营规范。

  
  

• 知识沉淀与共享：构建企业知识库，存储产品手册、流程文档等显性知识。例如，制造业通过设备运行数据手册指导故障排查。

  
  

（2）Know-Why

基于科学原理、自然规律或行业法则的知识，揭示事物运作的底层逻辑。例如，材料化学特性决定产品性能、市场需求驱动研发方向、经济学规律影响定价策略。属于隐性知识，部分依赖经验与专业判断，需通过实验或案例总结提炼。

主要特性：

• 逻辑性：强调因果关系与系统性分析（如“为什么选 A 而非 B”）。

  
  

• 动态性：随技术迭代或市场变化更新（如新材料替代传统工艺）。

  
  

• 指导性：为 Know-How（操作技能）提供理论支撑，优化决策质量。

  
  

作用场景：

• 研发创新：通过材料科学、用户行为学等原理设计新产品（如电池技术中的电化学原理）。例如，汽车公司基于空气动力学原理优化电动车续航能力。

  
  

• 流程优化：运用统计学、运筹学原理改进生产或供应链（如六西格玛降低缺陷率）。例如，食品企业通过微生物繁殖规律优化冷链物流温控参数。

  
  

• 战略决策：结合经济学、心理学原理制定市场进入策略（如“锚定效应”用于定价）。例如，零售品牌通过消费者心理规律设计会员体系，提升复购率。

  
  

（3）Know-How

关于技术、流程、操作方法的实践性知识，聚焦“如何执行”与“如何解决问题”。例如，设备维修技巧、生产工艺参数调整、客户谈判话术、算法优化经验。属于隐性知识，高度依赖经验积累，需通过师徒传承或实践试错传递。

主要特性：

• 操作性：直接指导具体行动（如“如何调试设备故障代码”）。

  
  

• 经验性：通过反复实践提炼最佳实践（如老工程师的故障预判能力）。

  
  

• 动态性：随技术迭代或场景变化更新（如 AI 模型训练技巧的演进）。

  
  

作用场景：

• 生产制造：工艺参数优化（如半导体晶圆加工的温控精度）、设备操作标准化。例如，汽车工厂通过老师傅的装配经验（Know-How）将良品率提升。

  
  

• 技术研发：实验设计技巧、复杂问题拆解方法（如芯片设计中的信号干扰规避） 。例如，药企研发团队通过微胶囊化技术（Know-How）延长药品保质期。

  
  

• 服务与运维：客户服务话术、设备预防性维护流程（如风力发电机齿轮箱检修 SOP）。例如，航空维修团队基于历史故障数据（Know-What）制定快速排障手册（Know-How）。

  
  

（4）Know-Who

关于“人”的知识网络，明确组织内外谁能提供特定领域的专长、资源或决策权。例如，技术专家名录、客户关键对接人跨部门流程审批责任人、行业顾问资源库。隐性与显性混合，既依赖个人社交经验，也可通过系统化映射（如专家黄页）显性呈现。

主要特性：

• 动态性：人员流动导致知识节点变化，需持续更新（如核心员工转岗后的接替者信息）。

  
  

• 网络性：强调关系链而非单点（如 A 部]对接人背后连接的供应链资源）。

  
  

• 协作性：打破信息孤岛，加速跨部门/跨组织协同（如快速组建临时攻坚小组）。

  
  

作用场景：

• 跨部门协作：项目推进时精准定位技术接口人（如 AI 开发组与合规法务的协同）。例如，新能源车企通过“电池专家库”快速解决充电桩兼容性问题。

  
  

• 危机应对：突发问题中联系外部顾问或内部资深专家（如数据泄露时找到网络安全负责人）。例如，跨境电商在物流瘫痪时，通过货代关系网 48 小时内切换备用渠道。

  
  

• 新人赋能：缩短新员工适应期，明确业务对接路径（如销售新人快速掌握客户决策链）。例如咨询公司搭建“客户关系图谱”，新人可一键查询客户历史对接记录。

  
  

要利用这些知识就需要将其很好地组织起来，大模型可以帮助我们实现知识的融合，因此我们需要知识图谱与大模型的协同。

无边界跨系统协作，构建企业知识高效流动的高铁网络。

4. 基于知识图谱和大模型的知识管理框架

我们构建了一个基于图模识谱的框架，其中大模型充当核心大脑的角色，而支持图谱则形成各种辅助网络。该框架涵盖多个应用方向，包括知识搜索、知识汇聚、知识传承、知识体系构建、知识问答以及知识主动推送等。这些应用场景或方向旨在充分利用框架的能力，实现知识的有效管理和应用。

5. 交互特征的进化路径

交互特征的进化路径是从“被动执行指令”向“主动理解需求”的跃升。

• 从被动问答：直接响应需求

  
  

搜索引擎和 ChatBot 多以被动搜索或者问答形式存在，等待用户提问后做出回应。如传统的搜索引擎，用户输入关键词，它根据算法给出相关搜索结果，主要是对用户问题的直接解答，交互方式较为单一。

• 到主动推送：洞察潜在需求

  
  

随着技术发展，智能体逐渐具备主动服务能力。例如智能健康助手。它不农能在用户询问健康问题时提供解答，还能主动根据用户的日常健康数据，如心率、睡眠等，分析潜在健康风险，并主动推送健康建议和预防措施。

6. 专业技能的分层构建

• 基础问答技能构建

  
  

在企业知识管理中，基础问答技能是专业技能分层建的底层。

智能体能够准确回答简单的事实性问题，像“地球的周长是多少”等，为后续复杂技能的构建打下基础。

• 复杂决策技能提升

  
  

智能体能够在专业领域，使用大量的专业知识来进行决策。

智能体能够回答推理决策性的问题，比如“骑自行车绕地球一圈要多久?”,“预测一下明天上证指数的涨跌？”，“纳斯达克的连续下跌是否意味着美国进入经济衰退周期？”

7. 输出规范的质量控制

• 事实核查的流程

  
  

确保输出内容准确可靠的关键步骤。智能体在生成内容后，会通过多种渠道进行事实核查，如调用权威数据库、新闻资讯等。例如在回答科学知识问题时，智能体将答案与专业科学数据库对比，验证信息真实性，避免传播错误信息。

• 逻辑自洽的验证方法

  
  

逻辑自洽的验证旨在保证生成内容在逻辑上合理连贯。通过自然语言处理技术，分析内容的语法结构、语义关系等。如在生成故事时，检查故事情节是否前后矛盾、因果关系患否合理，确保输出内容逻辑清晰，符合常理。

8. 大模型落地之“四三二一原则”

若采用如 DeepSeek 满血版或更强大的模型，模型能力基本可以得到保障。知识增强通常包括三个主要方面：知识图谱、搜索引擎和向量检索。其中，搜索引擎可以是联网搜索或内部深度搜索，而向量检索则是一种高效的检索方法。此外，构建一个有效的知识库也是至关重要的一步。在此基础上，产品设计占到了整体能力的 20%，这不仅限于传统的聊天机器人形式，还可以是智能代理、企业内部系统集成，以及其他多种交互方式，如对话、语音等。尽管大模型结合知识图谱能够解决许多问题，但仍有部分问题是无法完全解决的。因此，需要认识到这些技术的局限性，并在实际应用中加以考虑。

04

案例与未来展望

1. 应用领域

• 医疗诊断领域

  
  

在医疗诊断方面，智能体凭借大模型的强大数据分析能力，深度渗透其中。例如，通过对大量病历、医学影像等数据的学习，智能体能够辅助医生进行疾病诊断。如某智能体在分析 X 光、CT 等影像时，识别疾病特征的准确率高达 90%，为医生提供更精准的诊断参考，提高诊断效率和准确性。

• 金融风控领域

  
  

智能体结合大模型处理海量金融数据的优势，可对风险进行精准把控。以信贷审批为例，智能体可以快速分析客户的信用记录、财务状况等多维度数据，在短短几分钟内给出风险评估结果，有效降低金融机构的坏账风险，提升金融业务的安全性和稳定性。

2. 技术创新

（1）企业知识管理平台

结合大模型与 RAG、GraphRAG、向量数据库、图数据库等知识增强方法，构建统一企业知识管理平台。通过该平台，双向反馈架构实现知识动态优化，可显著提升系统的智能水平、可控性、可靠性和可解释性，有助于工业领域更高效地管理和利用知识，推动工业生产和决策的智能化发展。

（2）知识管理的创新应用：知识链路追踪

通过大模型解析知识内容，基于知识图谱技术建立知识间的双向链接关系，可在查看知识的同时，发现相关的隐藏知识。

（3）多模态知识库建设

• 混合存储架构特点

  
  

融合 Milvus 向量数据库，Cassandra 列式存储、Janusgraph 图存储和 Minio 文档存储的混合存储架构，具备卓越的性能。它能够高效整合文本、图像、视频等多种模态的数据，实现联合分析。像在多媒体资料管理中，能同时处理文字描述与图像信息。

• 文本分析能力

  
  

对于文本数据，DeepSeek 大模型可进行深度语义分析，提取关键信息。结合知识图谱的关联关系，为知识管理提供有力支持。

• 复杂案例库建设

  
  

根据场景进行自动化的复杂案例库建设是企业知识管理的关键基础，是实现数据、知识和人的协同管理与利用有效途径。

（4）双向链接追踪技术

• 实现知识节点间的双向可追溯

  
  

双向链接追踪技术确保知识节点间的双向可追溯性，用户在查看某个知识节点时，既能了解其来源，也能知晓其影响的其他知识节点。如在项目管理中，可清晰追踪任务的上下游关联。

• 支持反向推理与影响分析

  
  

该技术支持反向推理，从结果追溯原因，同时能进行影响分析。在市场分析场景下，可分析某项政策对市场各环节的影响，辅助企业做出更明智的决策。

3. 场景案例

（1）金融风控知识网络

• 信贷知识图谱构建

  
  

信贷知识图谱，整合多源数据，全面呈现信贷业务中的复杂关系。

• 欺诈识别能力提升

  
  

借助信贷知识图谱，能够显著提升银行的欺诈识别准确率，有效防范金融风险，保障资金安全。

（2）医疗科研知识导航

• 跨学科文献自动关联

  
  

某三甲医院通过先进技术实现了跨学科文献的自动关联，打破学科壁垒，促进知识融合。

• 科研线索发现效率提升

  
  

这一成果使科研线索的发现效率提升了 5 倍，助力科研人员快速获取关键信息，加速科研进程。

（3）智能制造知识中枢

• 工艺知识图谱构建

  
  

某装备制造企业精心构建工艺知识图谱，梳理生产工艺中的知识体系，实现知识的有效沉淀。

• 异常定位时间缩短

  
  

依托工艺知识图谱，企业将异常定位时间大幅缩短至分钟级，提高生产效率，降低损失。

4. 未来展望

根据 Gartner 最新报告，知识图谱正从低谷期步入稳步提升的复苏阶段，开始真正被企业规模化应用。而大模型虽处于期望膨胀期，但在落地实践中仍面临诸多挑战。二者的深度融合将成为破解实际应用难题的关键路径。据 Gartner 预测，到 2027 年超过 60% 的企业机构将把AI素养纳入数据和分析战略核心范畴。未来三年，知识增强型大模型的应用将迎来爆发式增长，推动企业生产力实现飞跃式提升。

我们应积极拥抱“图模互补”这一创新应用范式，实现从信息化时代向智能化时代的实质性跨越。

“硅基一日，碳基千年”是对 AI 大模型与人类发展特性的形象概括。人类生命受生理周期、演化规律限制，文明进步与知识积累需历经漫长时间。而硅基技术依托芯片、算法等实现极速迭代，一日内可完成数据处理、技术突破等巨大跨越，二者在发展速度与时间利用效率上形成鲜明对比。

AlphaGo 从无法战胜专业选手，到打败所有人类专家，仅仅用了三年时间。

类似的，AlphaFold 也同样以惊人速度进化。从初代崭露头角，到 AlphaFold2 凭借全新架构将蛋白质结构预测准确率大幅提升，再到 2024 年 AlphaFold3 横空出世，预测范围拓展至 DNA、RNA 等生命分子且准确率翻倍，其进展可谓日新月异，持续改写生物科研格局。

从工业革命到近年，先是大量体力劳动被机械化取代，而随着 AI 技术的崛起，脑力劳动也开始进入被逐步替代的进程。如今，像文档整理、数据报表处理等常规性脑力工作，正日益被 AI 工具接管。

人制造出智能机器，而智能机器也正在重塑人类的工作方式——人们或许不再愿意从事编写代码等简单重复性劳动，转而倾向于通过设计精准的提示词，借助大模型高效完成任务，这一转变正推动工作效率实现跨越式提升。

知识是人类进步的阶梯，而未来，知识将借助 AI 实现更高效的管理与应用。

大模型正以颠覆性力量重塑人类社会，其本质是对知识的生产、传播、应用与传承方式进行全方位革新——这一变革的历史意义堪比造纸术与印刷术对人类文明的推动，将重构知识驱动社会进步的底层逻辑。