核心 GUIDE
Knowledge Graph Structure（知识图谱结构）
Knowledge Graph 用显式 Entity 与 Typed Relationship 表达结构，使 Retrieval / Reasoning 能沿着仅靠 Text Similarity 很难恢复的关系进行 Traversal。
核心心智模型
把 Knowledge Graph 看成关于 Relationship 的 Structured Claim Map。Node 标识对象，Edge 说明它们如何连接，而 Provenance 与 Scope 决定这些连接什么时候可信。
为什么重要
有些问题天然是 Relational：哪个 Service 依赖这个 API、哪个 Policy 取代旧版本、哪个 Customer 拥有 Asset、哪个 Concept 是 Prerequisite。全部压成 Chunk 会让 Multi-hop/Constraint-heavy Query 变脆弱。Graph 提供独立 Retrieval Primitive，而不是取代 Text Retrieval。
01
只建模会改变 Decision 的稳定 Entity 与 Relationship
从少量真实 Query 出发设计 Ontology。给 Entity 稳定 Identifier，定义 Edge Type 与 Direction，对会变化的 Relationship 保留 Provenance，并让 Graph Update 与 Source System 同步。Graph Traversal 可以生成 Candidate Fact/Neighborhood；需要解释或 Unstructured Detail 时，再与 Text Evidence 组合。
02
示例：Vector Search 看不出 Dependency Impact
Engineering Assistant 要回答删除 Internal API 会影响哪些 Application。Documentation Chunk 分散描述各 Service，与 Query 的 Semantic Overlap 很弱。使用 service→depends-on→API Edge 的 Graph 可以枚举受影响 Application，再链接对应文档作为每条 Dependency 的 Human-readable Evidence。
常见失败模式
- 还没证明 Relational Query 需要，就先构建巨大 Ontology。
- 把所有 Co-occurrence 都当成有意义 Edge。
- 返回 Graph Path，却没有 Provenance 或可验证的 Text Evidence。
工程启发
- 围绕稳定 Entity 与 Decision-relevant Relationship 建图。
- Edge Semantic 要足够窄，使 Traversal 有明确含义。
- 用户需要 Justification 时，把 Structured Traversal 与 Source Evidence 结合。
关键结论
- 01Knowledge Graph 增加的是 Relational Retrieval Primitive，不是替代所有 RAG。
- 02Typed Edge 的意义比 Connection Count 更重要。
- 03Graph Answer 同样需要 Provenance 与 Lifecycle。
阅读记录
这里只记录你真实做过的动作，不代表掌握、熟练或认证。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。