知识库、知识图谱和 GraphRAG 有什么区别？企业 GEO 应该先做哪一层
“给企业建一个知识库”已经成为常见需求，但知识库、知识图谱和 GraphRAG 经常被当成同义词。结果是企业投入大量时间做向量化，却发现 AI 客服仍会把产品关系说错，内容生成也只是从文档里拼片段。要判断应该建设哪一层，必须先回到第一性原理：企业需要的不是存储更多文字，而是在具体问题下提供正确、相关、可追溯的事实。
三层能力解决三种不同问题
知识库解决“资料在哪里”。它把 Word、PDF、网页、FAQ 等内容集中管理，并切分为可检索单元。知识图谱解决“事实之间是什么关系”。它把公司、品牌、产品、人物、资质、地区和案例表示为实体与关系。GraphRAG 解决“面对一个复杂问题，应该从哪些相互关联的事实组织答案”。它在检索文本之外，还利用图中的关系找到必要上下文。
| 层级 | 核心产物 | 擅长问题 | 典型风险 |
|---|---|---|---|
| 知识库 | 文档、切片、标签、来源 | 某项政策写了什么 | 片段脱离上下文 |
| 知识图谱 | 实体、属性、关系、时间 | 某产品属于谁、适合什么 | 错误关系被结构化放大 |
| GraphRAG | 与问题相关的子图和证据集合 | 跨产品、人物、案例的综合判断 | 图谱不完整时召回偏差 |
为什么不能一上来就做 GraphRAG
如果原始资料存在冲突，技术层级越高，错误传播越快。比如三个文档对服务范围有三种说法，向量检索可能偶尔取错片段；知识图谱若把其中一个错误范围固化为属性，所有依赖该实体的回答都会受到影响；GraphRAG 再围绕错误关系扩展，会构造出看似完整、实则错误的论证链。因此，事实治理不是上线前的文档清洗，而是整个知识工程的地基。
另一个反例是把所有网页按固定长度切片，然后用相似度最高的片段回答。用户问“某服务适合什么企业”，检索可能返回出现“适合”的营销段落，却遗漏限制条件、交付区域和合规要求。答案看起来顺畅，却不完整。知识图谱的价值就在于把“产品—适用对象—地区—限制”这些关系一起带入。
企业应该采用的建设顺序
- 资料可用：确认文件版本、来源、更新时间和责任人，剔除重复与失效材料。
- 知识单元可答：把资料拆成围绕真实客户问题的答案单元，而不是机械等长切片。
- 核心实体清晰：先建公司、品牌、产品、人物、资质、案例等少量高价值实体。
- 关系经过审核：对归属、适用、证明、替代、时间等关系设置人工确认。
- 按场景引入 GraphRAG：优先服务需要跨资料推理的客服、内容 Brief 和复杂检索。
同一套知识如何服务 GEO、AI 客服和内容生成
三类场景共享事实，但输出方式不同。GEO 内容需要公开、可引用，并补充第三方证据；AI 客服需要针对访问者问题给出简洁答案，同时遵守权限和服务边界；内容生成需要把品牌事实、目标意图、信源结构和合规要求组合成稿件。可移植知识库的价值，不是把同一段文案复制到三个系统，而是让三个系统从同一事实层取数，再按场景组织表达。
铭文鼎成 GEO 的品牌解析负责接入文件和网页并生成知识单元，知识图谱用于查看实体关系，开放 API 可把经过权限控制的知识提供给外部 AI 客服；内容生成与 GEO 助理则消费这些事实。关键是保留来源：每个知识单元应能回到原文件或网页，外部调用只返回当前品牌有权访问的内容。
判断是否需要升级到图谱的五个信号
- 同一产品在多个文档中有不同名称或版本。
- 用户问题经常涉及“谁、属于谁、适合谁、和谁相比”。
- 答案需要同时引用资质、案例和产品规则。
- 品牌有多个子公司、门店、产品线或合作机构。
- AI 客服频繁出现事实都对但关系拼错的情况。
知识库让 AI 找到句子，知识图谱让 AI 理解句子之间的关系，GraphRAG 让 AI 围绕问题选择一组相互支持的事实。
边界：图谱不是事实的自动裁判
模型可以协助抽取实体和候选关系，但关键事实仍需责任人确认。尤其是价格、资质、医疗法律表述和服务承诺，不能因为进入图谱就默认可信。成熟的知识体系应保存来源、版本、有效期和审核状态，并允许撤回。只有这样，它才可能成为可长期复用的品牌基础设施，而不是另一份难以维护的数据孤岛。