知识图谱是一种揭示实体之间关系的语义网络，可对现实世界的事物及其相互关系进行形式化描述。它于 2012 年 5 月 17 日由 Google 正式提出，旨在提高搜索引擎能力，增强用户搜索质量和体验，实现语义检索。
知识图谱的关键技术包括知识抽取、知识表示、知识融合、知识更新和知识推理。知识抽取通过自动化技术抽取可用知识单元，包括实体抽取、关系抽取和属性抽取。知识表示有属性图和三元组等方式。知识融合在同一框架下进行异构数据整合、消歧、加工、推理验证和更新，形成高质量知识库，包括实体对齐、知识加工、本体构建和质量评估等。知识更新不断迭代扩展现有知识，增加新知识。知识推理在已有知识库基础上挖掘隐含知识。
在 LLM 落地思考方面，实现某个 NLP 任务需要收集大量业务数据并进行人工标注，训练 bert 模型，再进行针对性优化，时长可能要一个月，且交付后较难进行意图新增和任务泛化，有时使用句式规则方式更好维护与更新。构建知识图谱虽可承载公司级、行业级知识并进行更新与可视化展示，但构建复杂，需与行业专家深度讨论，预见企业长远业务发展可能性制定 schema，稍有不慎就可能图谱与业务错位，且从建立到可用至少需半年周期。NLG 基本上还是拼接为主，有多少人工规则就有多少智能。而 LLM 横空出世后，对 NLP、NLG、KG 都有较大提升，因此这三类场景都可因效率和效果大幅提升而有更好、更多可能的落地方式。
