工业图谱与 GraphRAG：让大模型沿着对象关系检索

向量检索擅长回答“哪段文字和问题语义相近”，却不天然擅长回答“某位号关联哪些文件、属于哪个系统、有哪些上下游对象”。工业知识中大量价值恰恰来自这种确定关系，因此图谱不是 RAG 的替代品，而是让 RAG 获得结构约束的一层能力。

图谱从稳定关系开始

第一批节点可以是项目、装置、设备、位号、文档、表格记录和标准条款；边可以是“属于”“描述”“引用”“连接”“适用”。每个节点和边都应带来源文件、版本、时间和置信度。不要一开始让模型从全文自由抽取复杂关系，先利用编码、文档目录、表格字段和人工确认构建高可信骨架。

GraphRAG 的一次查询

用户问题进入系统后，先识别位号、文件编号、专业或规范名称等实体；用图谱定位相关对象并扩展一到两跳；再将得到的文件、章节和属性作为约束交给全文与向量检索；最后由模型基于证据生成答案并返回关系路径。图负责缩小范围和解释关联，文本检索负责找细节，模型负责组织表达。

标准与交换格式很关键

工业图谱不应被某个应用锁定。设备分类、属性字典、编码规则和关系类型需要有版本管理；图纸或智能 P&ID 的对象可通过标准化中间格式交换。即使暂时采用自定义模型，也应让 ID、类型、单位与来源字段保持稳定，避免未来重建全部数据。

质量优先于规模

图谱中的错误关系会比文本错误传播得更远。应记录关系来源和置信度，为自动抽取结果设置人工确认队列，并用连通率、孤立节点率、冲突关系数和典型查询成功率持续评估。能够可靠回答少数高价值问题的图谱，远比节点很多但来源不明的“关系网”更有用。

GraphRAG 的意义在于给大模型一张可验证的业务地图：它不只知道某句话像什么，还知道对象在哪里、与什么相连，以及每条结论可以回到哪份资料。