AI Agent与知识图谱融合实战：从零构建智能问答系统

1次阅读

没有评论

共计 2120 个字符，预计需要花费 6 分钟才能阅读完成。

传统问答系统通常基于关键词匹配或简单检索，面对复杂问题时常常捉襟见肘。比如，用户问 ” 特斯拉的创始人还创办了哪些公司？”，传统系统可能只会返回特斯拉相关的信息，而无法理解 ” 创始人 ” 这一关系并关联到马斯克的其他公司。

更具体的问题包括：

语义理解不足：无法处理同义词、歧义和上下文关联
推理能力缺失：难以回答需要多跳推理的问题（如 ” 马斯克的第一个公司是什么？”）
知识更新滞后：静态知识库难以及时反映现实世界变化

目前主流的三种技术方案各有优劣：

纯 RAG(检索增强生成)：
优点：实现简单，无需预构建知识库
缺点：事实准确性依赖外部数据源，推理能力有限
纯知识图谱：
优点：结构化知识便于精确查询
缺点：自然语言理解能力弱，需要严格的数据建模
AI Agent+ 知识图谱：
优点：结合结构化知识和灵活推理
缺点：实现复杂度较高

对于需要高准确性和复杂推理的场景，第三种方案显然更为合适。

我们选用 Neo4j 作为图数据库，构建流程如下：

数据采集：从结构化数据 (如 Wikidata) 或非结构化文本(使用 NLP 提取实体关系)
实体消歧：合并指代同一实体的不同表述
关系建模：定义实体间的语义关系
图数据库导入：使用 Cypher 语句构建图谱

示例数据模型：

(:Person {name:'Elon Musk'})-[:FOUNDED]->(:Company {name:'Tesla'})
(:Person {name:'Elon Musk'})-[:FOUNDED]->(:Company {name:'SpaceX'})

基于 LangChain 框架构建 Agent，主要组件：

意图识别模块：分类用户问题类型(事实查询 / 推理 / 主观问题)
查询生成器：将自然语言转换为 Cypher 查询
结果后处理：对知识图谱返回的数据进行自然语言生成

关键实现点：

使用 Few-shot prompt 提高查询生成准确性
实现 fallback 机制，当知识图谱无结果时自动切换至 RAG

两者通过以下方式协同工作：

用户提问
Agent 分析意图并生成 Cypher 查询
知识图谱执行查询并返回结构化结果
Agent 将结果转换为自然语言回答
同时记录对话上下文到短期记忆

from py2neo import Graph
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))

def create_kg():
    # 清除现有数据
    graph.run("MATCH (n) DETACH DELETE n")

    # 添加示例数据
    graph.run("""CREATE (:Person {name:'Elon Musk', birthYear:1971})
    -[:FOUNDED {year:2002}]->(:Company {name:'SpaceX', type:'Aerospace'})
    """)

from langchain.agents import AgentExecutor, Tool
from langchain.agents import create_react_agent
from langchain import hub

# 定义知识图谱查询工具
def kg_query(input):
    cypher = f"""
    MATCH (p:Person)-[r:FOUNDED]->(c:Company)
    WHERE p.name CONTAINS '{input}'
    RETURN p.name, type(r), c.name
    """
    return graph.run(cypher).data()

# 创建 Agent
tools = [Tool(name="KG Query", func=kg_query, 
            description="查询知识图谱中的公司创始人信息")]
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 执行查询
response = agent_executor.invoke({"input": "马斯克创办了哪些公司？"})

我们在不同规模的知识图谱上测试了系统表现：