基于 K3 的上下文图谱工程：将 300 个 Agent 转化为统一的互联知识库

300 个答案堆在一起，并不是知识。Kimi Agent Swarm 不只是并行运行 Agent，它会把 Agent 的发现编织成一张真正可用的互联图谱。

300 个 Agent 作为节点。 1 张互联图谱。 5 路实时数据流

每个人都在竞相运行更多 Agent，却几乎没有人追问：Agent 找到的东西，最后怎么样了？

让 300 个 Agent 去研究一个问题，它们很快就能返回结果。但默认情况下，你得到的是 300 个独立盒子里的 300 份独立答案。那是一堆答案，不是一个知识库。价值从来不在单个发现里，而在它们之间的连接中——而「一堆」恰恰把连接丢掉了。

想一想人类分析师真正的工作方式。他们不只是收集事实，还会注意到两家公司共用同一个供应商、一条法规牵动整个行业、某个厂商支撑着半个市场。收集是最容易的部分，连接才是成本最高的部分，也正是产生洞见的部分。

这正是 Kimi Agent Swarm 与众不同的低调之处。它不只是把工作分发给并行 Agent，而是把它们的输出编织成一个互联的统一结构——一张上下文图谱：每个来源是一个节点，每条关系是一条边。你得到的不是 300 份答案，而是一个清楚知道自身各部分如何关联的知识库。

Swarm 是肌肉，上下文图谱则是把这份肌肉变成可查询、可扩展、可信赖之物的关键。

为什么「一堆答案」行不通

没有边的节点，只是一份清单

设想一个覆盖 100 家公司的研究任务。扁平式 Swarm 会给你 100 份报告。要弄清哪三家共用供应商、哪两家受同一条法规影响、哪一家暗地里依赖另一家，你得读完 100 份报告，再把所有连接记在脑子里。你真正想要的工作——那些关系——恰恰是工具跳过的工作。

而且规模越大越糟，不会变好。10 个来源你可以手动连接，100 个就不行了。100 个节点之间可能存在的关系数量高达数千，这正是人类会放弃、扁平报告会变成一份没人完整读过的文档的临界点。没有结构的 Agent 越多，意味着要筛选的东西越多，而不是能理解的东西越多。

上下文图谱则把这个逻辑颠倒过来。两个 Agent 一旦触及同一个实体——供应商、市场、文件——Kimi 就会在它们之间画一条边。关系不再需要你手动重建，而是成为产物本身的一部分。聚类、枢纽和隐藏依赖如今一目了然，因为图谱把它们变成了结构。

核心理念

Kimi 所说的上下文图谱是什么

包含两部分，Kimi 在同一次运行中同时生成。

节点：Agent 的发现

Swarm Agent 研究的每个实体都会成为一个节点：一家公司、一个来源、一项指标、一份文档。一个 Agent，世界的一个切片，图谱中的一个节点。

边：实体间的关联

当两个节点共享一个来源、一个市场、一种依赖或一条引用时，Kimi 就会连接它们。边承载着关系，因此这种连接是可查询的，而不只是隐含的。

扁平报告给你节点，却丢掉了边。这就是为什么报告在你读完的那一刻就失去了生命力。Kimi 构建的上下文图谱保留了边，正因如此，你可以向它追问原始提示词从未提到的问题。

运作机制

Swarm 如何构建图谱

这里是并行与图谱结构的交汇点，也是 Kimi 设计真正兑现价值的地方。因为最多 300 个 Agent 同时运行，图谱不是一次长一个节点，而是几乎同时整体成形，再自动完成连接。

顺序很重要。顺序执行的工具会先建节点 1，再建节点 2，然后寻找连接……这既慢，又会让图谱偏向它碰巧先看到的内容。Kimi 会在开始画边之前，先并行填满整个节点集，因此连接是在完整图景中被发现的，而不是在局部图景中。你得到的图谱反映的是全部 300 个发现，而不是最早返回的那几个。

一次启动

100 家公司，一张互联图谱

下面就是放在一条提示词里的完整方案。注意，你并没有明确要求生成图谱，你只是让 Kimi 去研究和连接，而图谱正是它组织答案的方式。

1swarm_launch.md
2Kimi Agent Swarm
3# 一次启动，100 个节点，实时边
4
5TASK: 绘制电动车市场地图。每家公司一个 Agent。
6SOURCES: Yahoo Finance、World Bank、IMF、实时股票数据。
7
8CONNECT: 连接任意两家共享
9  供应商、指数或监管风险的公司。
10
11# Kimi 派出 100 个 Agent，然后把共享的
12# 实体连接成一张上下文图谱。

四十分钟后，你面前不是 100 份要读的报告，而是一张互联地图。共用同一家电池供应商的三家公司，处在一个清晰可见的聚类里；那家所有其他公司都依赖的企业，则呈现为拥有最多边的枢纽。这些都不在提示词里。图谱之所以能呈现出来，是因为 Kimi 保留了连接，而不是丢弃了它们。

向图谱提问

提示词从未提到的问题

扁平报告只会回答你问的那个问题，其他一概不答。Kimi 构建的上下文图谱回答的则是你没想到要问的问题，因为答案早已编码在边里。你不是在重新做研究，而是在读取已经存在的结构。

问哪家公司是最大的单点故障，图谱会返回入向依赖边最多的那个节点；问哪些公司同涨同跌，图谱会返回最密集的聚类；问两个看似毫无关联的公司之间有什么联系，图谱会追踪它们之间共享实体的路径。每一个答案都是一次图谱运算，而不是一次新的启动。

1graph.query · 实时
2query> 哪个节点是最大的单点故障？
3→ 节点 #041（14 条入向依赖边）
4query> 哪些公司同涨同跌？
5→ 聚类 A：8 个节点，共享电池供应商
6query> #012 和 #087 之间有什么联系？
7→ 路径：#012 → IMF 文件 → #087
8// 图谱能瞬间回答结构性问题，因为关系早已存在于其中。

为什么它能持续增值

图谱会复利增长，报告不会

这一点对任何不止一次做研究的人都很重要。扁平报告写完即完结，下周的新问题意味着从头再来。Kimi 构建的上下文图谱恰恰相反：它是一个你可以不断往上构建的地基。

• 可查询。 问图谱哪个节点连接最多，或是什么把两个实体连在一起，答案早已在结构中。
• 可扩展。 下一次启动会把新的节点和边加入同一张图谱，而不是新堆一堆。知识不断累积。
• 可复用。 关系一直都在。今天你没想到要问的问题，明天不用重跑研究就能得到答案。
• 可解释。 每条边都能追溯到产生它的共享来源，所以你能看清两件事为什么相关。

一堆答案在你合上它的那一刻就失去了价值，一张图谱则每次添加都会增值。一个月的研究下来，这个差别就是「重做工作」与「复利积累」之间的差别。

别再收集答案了，开始构建图谱吧。

任何人都能运行 300 个 Agent。关键问题是，当它们跑完时，你手里剩下的是什么。Kimi Agent Swarm 留给你的，是一个互联的知识库，而不是一堆答案——这就是「做完就扔的研究」与「不断积累的研究」之间的差别。