Graph Engineering 取代了 Microsoft、Stanford 和 Anthropic 的 RAG。運作原理大公開。

現在任何人都可以建立一個 AI 系統，能以比常規 RAG 高出 18% 的準確率、降低 85% 的成本來回答複雜問題。不需要博士學位。不需要百萬預算。不需要研究團隊。

你與這個成果之間，只隔著一個概念——微軟、史丹佛和 Anthropic 都各自獨立發現，而多數開發者尚未跟上的概念。

常規 RAG 搜尋文字。圖工程（Graph Engineering）搜尋關係。以下是完整的系統架構。

收藏這篇文章並追蹤

- 我是 Sprytix，一位開發者，專注於打造 AI 系統與自動化流程，將技術轉化為實際收入。私訊開放。

為什麼常規 RAG 會遇到瓶頸

常規 RAG 運作方式如下：

1問題
2↓
3搜尋文件中相符的文字
4↓
5回傳最相關的片段
6↓
7模型根據片段生成答案

這個方法對簡單問題很有效。但對複雜問題，它就完全失效了。

問「為什麼我們的產品銷售額在三月份下滑？」RAG 會找到包含「銷售額」和「三月」等詞彙的文件。它找到的是片段。它找不到因果鏈。

1RAG 答案：
2這裡有 5 份提及三月銷售額的文件。
3
4圖工程答案：
5銷售額下滑是因為出貨延遲
6而出貨延遲是由供應商依賴問題所導致
7供應商問題則源於倉庫的狀況
8倉庫狀況引發了負面評論
9負面評論導致轉換率下降了 23%。

同樣的模型。同樣的資料。結果卻天差地遠——因為一個系統搜尋文字，另一個系統搜尋真實世界的關係。

這就是微軟、史丹佛和 Anthropic 都各自獨立發現的重點。也是為什麼這三家公司都轉向了圖工程（Graph Engineering）。

文件 1 - 微軟 GraphRAG

1. github.com/microsoft/graphrag
2. github.com/microsoft/graphrag/blob/main/docs/index/architecture.md

微軟建立了 GraphRAG 並將其開源。他們研究的結果，是目前關於圖工程（Graph Engineering）與常規 RAG 相比，所能帶來的具體效益中，最可靠的數據。

這個架構將非結構化文字轉換為完整的知識圖譜：

1載入文件
2↓
3分割文件
4↓
5提取實體與關係
6↓
7建立圖譜
8↓
9偵測社群
10↓
11生成社群報告
12↓
13嵌入實體與報告
14↓
15局部搜尋 / 全域搜尋

微軟記錄的關鍵洞察：常規 RAG 擅長回答局部性問題——找出關於這個特定實體的資訊。但它在全域性問題上會失敗——這整個資料集的主要主題是什麼，連結這 10,000 份文件的模式是什麼。

圖工程（Graph Engineering）兩者都能回答。

1局部搜尋  |  供應商 X 在三月發生了什麼事
2               |  找到特定節點及其連結
3
4全域搜尋  |  我們所有供應商關係中
5               |  的主要風險模式是什麼
6               |  找出整個圖譜中的模式

微軟 GraphRAG 研究的實際成果：

1準確率提升    |  比原始文件方法高出 18%
2Token 成本降低    |  比直接載入結構化文件降低 85%
3每個任務成本       |  在測試配置下約為 $0.004

arxiv.org/abs/2603.22528

這些數字來自 ChatP&ID 論文——將 GraphRAG 應用於工業工程圖表。同樣的原則適用於各個領域。

文件 2 - 史丹佛 DSPy 與圖譜的連結

1. github.com/stanfordnlp/dspy
2. arxiv.org/abs/2310.03714

史丹佛的 DSPy 論文確立了，模型是圖譜中的一個節點——而非宇宙的中心。這是直接連結到圖工程（Graph Engineering）的理論基礎。

DSPy 將 AI 流程視為一個由模組構成的圖譜：

1問題
2↓
3檢索器      - 尋找相關資訊
4↓
5推理          - 處理並連結
6↓
7驗證器       - 檢查結果
8↓
9答案

與圖工程（Graph Engineering）的連結是直接的：DSPy 最佳化流程圖譜，GraphRAG 最佳化知識圖譜。兩者都將模型視為更大結構中的一個組成部分，而非整個解決方案。

史丹佛的 STORM 論文更進一步：

1. github.com/stanford-oval/storm
2. arxiv.org/abs/2402.14207

STORM 在撰寫任何文字之前，會透過一個結構化的研究步驟圖譜，從零開始建立知識。研究、來源收集、大綱、撰寫、驗證、修訂——每一步都受到前一步驟所發現的關係所啟發。

所有史丹佛研究的共通見解是：複雜任務需要一個由連結步驟構成的系統，而非單一的模型呼叫。圖譜就是這個系統。

文件 3 - 史丹佛知識圖譜的規模法則

arxiv.org/abs/2505.16276

這篇論文比較了 26 個開源模型在知識圖譜工程任務上的表現。其結論是該領域最重要的發現之一：

1較大模型 + 不良圖譜   |  結果更差
2較小模型 + 良好圖譜 |  結果更好

正確的圖譜勝過較大的模型。每一次都如此。

這與微軟透過 GraphRAG 以及 Anthropic 透過 Claude Code 所得到的結論相同——模型周圍的系統比模型本身更能決定輸出結果。圖工程（Graph Engineering）是該原則最具體的實踐。

文件 4 - MIT 出版社關於關係記憶的研究

direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476

發表於《計算語言學協會交易》（Transactions of the Association for Computational Linguistics）。

該研究展示了將語言模型連接到關係記憶——一個由關係而非純文字片段構成的知識圖譜——時會發生什麼事。

1文字上下文
2↓
3從圖譜中檢索相關關係
4↓
5關係記憶
6↓
7語言模型
8↓
9生成更連貫、更準確的內容

關鍵發現：能夠存取明確關係結構的模型，比僅從文字中學習的模型，能產生更連貫的文字，並犯更少的邏輯錯誤。

這就是圖工程（Graph Engineering）之所以有效的科學解釋。模型不必從文字中推斷關係。這些關係在圖譜中是明確的。模型可以直接使用它們。

文件 5 - KEPLER

1. direct.mit.edu/tacl/article-abstract/doi/10.1162/tacl_a_00360/98089
2. github.com/THU-KEG/KEPLER

KEPLER 將語言模型訓練與知識圖譜嵌入結合起來。它不將語言理解和事實知識視為獨立的問題——而是同時最佳化兩者。

1語言模型
2+
3知識嵌入
4+
5知識圖譜
6=
7能夠理解語言和事實的模型

實際意義：能夠存取結構良好的知識圖譜的模型，不需要猜測實體之間的關係。它可以直接查詢。在事實性問題上的準確率差異顯著。

文件 6 - Anthropic 與圖譜中的 Claude

1. www.anthropic.com/customers/graph
2. github.com/anthropics/anthropic-cookbook
3. github.com/modelcontextprotocol

Anthropic 沒有一個叫做「圖工程（Graph Engineering）」的產品。他們擁有的是三個層級，其中 Claude 直接整合到圖譜架構中。

層級 1 - Claude 從文字中提取圖譜

1文件
2↓
3Claude 提取實體與關係
4↓
5JSON 三元組：
6{
7  "subject": "Anthropic",
8  "relation": "created",
9  "object": "Claude"
10}
11↓
12知識圖譜

Claude 負責實體提取、關係提取、去重、標準化和本體草稿。過去需要專門的 NLP 流程的任務，現在只需一次 API 呼叫即可完成。

層級 2 - Claude 查詢圖譜

1使用者問題
2↓
3Claude
4↓
5Cypher / SPARQL 查詢
6↓
7知識圖譜
8↓
9結果
10↓
11Claude 以白話文解釋

Claude 將自然語言翻譯成圖譜查詢，對 Neo4j 或任何圖資料庫執行查詢，並解釋結果。使用者無需具備查詢語言知識。

層級 3 - MCP 將 Claude 連接到圖譜

github.com/modelcontextprotocol

1Claude
2↓
3MCP 協定
4↓
5圖資料庫
6↓
7實體 + 關係
8↓
9具備完整圖譜上下文的 Claude

MCP 是傳輸層，讓 Claude 能夠永久存取任何知識圖譜，而無需在每次會話中重新建立連線。

LaunchNotes 案例 - 實際生產數據

www.anthropic.com/customers/graph

LaunchNotes 建立了一個名為 Graph 的產品，用於連接 GitHub、Jira 和 Linear。Claude 分析這三個系統中工程工作之間的關係。

1GitHub 提交
2+
3Jira 工單
4+
5Linear 任務
6↓
7工程工作圖譜
8↓
9Claude
10↓
11事件偵測 + 專案洞察

Anthropic 案例研究的結果：

1事件偵測     |  速度提升高達 5 倍
2會議時間           |  減少約 50%
3發行說明          |  在幾秒鐘內自動生成

這些數字來自於連結結構化的關係數據——而不僅僅是搜尋文件。

知識圖譜到底是什麼

在建立之前——先了解基本概念。

知識圖譜以三元組的形式儲存資訊：

1主體 → 關係 → 客體

範例：

1Anthropic → created → Claude
2Claude → supports → MCP
3MCP → connects → 外部工具
4Microsoft → built → GraphRAG
5GraphRAG → reduces token cost by → 85%

每一條資訊都是兩個實體之間的明確關係。不是一段可能包含該資訊的文字段落——而是一個明確、結構化、可查詢的事實。

1一般資料庫：
2公司表格
3產品表格
4它們之間沒有明確的關係
5
6知識圖譜：
7公司 → 建立了 → 產品
8產品 → 與其他產品競爭 → 其他產品
9其他產品 → 由其他公司擁有 → 其他公司
10公司 → 投資了 → 其他公司

圖譜不僅儲存事實。它還儲存事實之間如何相互連結。這就是讓複雜推理成為可能的原因。

完整的圖工程（Graph Engineering）流程

1步驟 1  |  收集原始文件
2        |  PDF、電子郵件、報告、資料庫匯出
3
4步驟 2  |  提取實體
5        |  人物、公司、產品、事件、概念
6
7步驟 3  |  提取關係
8        |  誰對誰做了什麼、何時、為何、如何
9
10步驟 4  |  建立 schema
11        |  定義實體類型和關係類型
12
13步驟 5  |  去重和標準化
14        |  「Microsoft Corp」和「MSFT」是同一實體
15
16步驟 6  |  儲存到圖資料庫
17        |  Neo4j、Amazon Neptune、帶圖形擴充的 PostgreSQL
18
19步驟 7  |  建立檢索層
20        |  局部搜尋特定實體
21        |  全域搜尋整個圖譜中的模式
22
23步驟 8  |  連接模型
24        |  Claude 透過 MCP 或直接 API 查詢圖譜
25
26步驟 9  |  持續更新
27        |  新文件擴展圖譜
28        |  矛盾標記為待審查

arxiv.org/abs/2307.06917 上的「LLM 輔助知識圖譜工程」論文基準測試了語言模型處理這些步驟的能力。誠實的發現是：LLM 是提取和標準化的絕佳助手，但在 schema 和去重步驟上，零樣本圖譜生成尚不足以在沒有人工審查的情況下投入生產環境。

驅動整個流程的五個提示詞

圖工程（Graph Engineering）並不會消除提示詞。它會在圖譜流程的每個特定階段使用它們。

提示詞 1 - 提取

1提取所有組織、人物、產品和事件。
2
3對於每個實體回傳：
4- canonical_name
5- type
6- description
7- source
8
9對於每個關係回傳：
10- source_entity
11- relation_type
12- target_entity
13- evidence
14- confidence_score

提示詞 2 - 標準化

1比較以下實體。
2判斷它們是否指向：
3- 同一個實體
4- 相關但不同的實體
5- 不相關的實體
6
7回傳標準名稱和解釋。
8沒有明確證據時不要合併實體。

提示詞 3 - 圖譜查詢

1將使用者問題翻譯成 Cypher 查詢。
2僅使用 schema 中存在的關係。
3不要發明標籤或屬性。
4回傳查詢和簡短的邏輯解釋。

提示詞 4 - 基於事實的答案

1僅使用檢索到的圖譜路徑來回答。
2對於每個結論：
3- 識別支持它的節點
4- 識別關係路徑
5- 清楚說明不確定性
6- 不要從相關性推斷因果關係

提示詞 5 - 圖譜維護

1將新事實與現有圖譜進行比較。
2將每個事實分類為：
3- 新增
4- 重複
5- 矛盾
6- 更新
7- 不確定
8
9沒有證據時不要覆蓋現有事實。

正如微軟的 GraphRAG 文件所示——提示詞在內部處理提取、關係識別、摘要和社群報告生成。提示工程是圖工程內部的機制，而非其競爭對手。

你可以基於知識圖譜建立的五種業務

1 - 盡職調查平台

1公司報告 + 創辦人 + 投資者
2+ 法律案件 + 子公司 + 交易
3↓
4知識圖譜
5↓
6Claude
7↓
8風險分析 + 隱藏連結 + 利益衝突偵測

客戶：投資基金、律師事務所、銀行、併購顧問。每位客戶每月固定費用 $2,000-10,000 美元。

2 - 銷售情報

1聯絡人 + 公司 + 角色
2+ 先前的電子郵件 + 公司問題 + 產品
3↓
4知識圖譜
5↓
6誰影響決策
7哪些反對意見重複出現
8要向這位特定客戶展示哪個案例研究
9交易在哪個環節受阻

3 - 工程情報

1GitHub 提交 + Jira 工單 + Linear 任務
2↓
3工程工作圖譜
4↓
5事件偵測速度提升 5 倍
6會議時間減少 50%
7自動發行說明

LaunchNotes 已經在銷售此服務。市場是每個使用超過一個專案管理工具的工程團隊。

4 - 研究情報

1論文 + 作者 + 機構
2+ 方法 + 資料集 + 結果 + 矛盾
3↓
4知識圖譜
5↓
6哪些 GraphRAG 方法使用社群偵測
7它們在哪些資料集上進行測試
8哪些論文相互矛盾

5 - 個人知識作業系統

1Obsidian 筆記 + 電子郵件 + 行事曆
2+ PDF + 聯絡人 + 任務
3↓
4個人知識圖譜
5↓
6我和誰討論過這個想法
7哪些任務依賴於某個人的回覆
8哪些決策與先前的協議矛盾
9我這個月承諾要做什麼

連結微軟、史丹佛和 Anthropic 的轉變

1提示工程   |  如何提出正確的問題
2RAG                  |  尋找哪個文件
3圖工程    |  存在哪些實體
4                     |  它們如何連結
5                     |  哪條路徑通向答案
6                     |  如果一個節點改變會發生什麼

LLM 知道文字。知識圖譜知道關係。當兩者協同工作時，最強大的 AI 系統就會出現。

微軟在生產環境中透過 GraphRAG 證明了這一點——準確率提升 18%，成本降低 85%。史丹佛在研究中透過 DSPy、STORM 和規模法則論文證明了這一點。Anthropic 在 LaunchNotes 案例中證明了這一點——事件偵測速度提升 5 倍，會議時間減少 50%。

三個組織。三條獨立路徑。一個結論。

模型找到文字。圖譜找到真實世界。建立圖譜。

多數開發者會繼續改進他們的提示詞，並疑惑為什麼複雜問題仍然得到糟糕的答案。少數開發者會花一個週末建立他們的第一個知識圖譜，並且再也回不去搜尋文件的方法。

/ 如果這篇文章對你有幫助——請追蹤，下一篇會在這裡優先發布。