知识库、知识图谱与向量数据库：核心差异、构建方法及选型指南

​

  【个人主页：玄同765】

大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

深耕领域：大语言模型开发 / RAG知识库 / AI Agent落地 / 模型微调

技术栈：Python / LangChain/RAG（Dify+Redis+Milvus）| SQL/NumPy | FastAPI+Docker ️

工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案 

「让AI交互更智能，让技术落地更高效」

欢迎技术探讨/项目合作！ 关注我，解锁大模型与智能交互的无限可能！

引言

大模型本身具备强大的语言生成能力，但存在 “知识时效性差”“事实性错误” 等固有缺陷。要让大模型真正落地到企业场景，必须结合外部知识体系 —— 而知识库、知识图谱与向量数据库正是构建这一体系的核心工具：

• 知识库解决 “知识怎么存” 的问题，是企业显性知识的集中存储库；
• 知识图谱解决 “知识怎么关联” 的问题，通过实体与关系揭示知识背后的逻辑；
• 向量数据库解决 “知识怎么快速找” 的问题，实现语义层面的精准检索。

三者并非互斥关系，在实际项目中经常组合使用，比如大模型 RAG（检索增强生成）系统中，知识库存储原始文档，向量数据库做语义召回，知识图谱补充关系推理能力。

一、知识库：企业显性知识的集中存储

1. 定义与核心特点

知识库是半结构化 / 非结构化知识的集中存储系统，用于管理企业内部的文档、FAQ、手册、报告等显性知识。核心特点包括：

• 数据类型多样：支持文本、Markdown、PDF、图片等多种格式；
• 组织方式灵活：可通过标签、分类、目录等方式进行结构化组织；
• 核心能力：基于关键词的信息检索、全文搜索。

2. 适用场景

• 智能客服 FAQ 问答；
• 企业内部文档查询（如员工手册、技术文档）；
• 产品知识库、帮助中心；
• 法律法规、政策文件检索。

3. 构建方法

知识库的构建流程可分为 4 个步骤：

4. 使用示例：基于 LangChain 加载知识库

首先创建目录和示例 Markdown 文件：

mkdir enterprise_knowledge

然后创建一个示例文件 enterprise_knowledge/hr_policy.md ：

# 企业人力资源政策

## 年假政策

所有正式员工每年享有15天带薪年假。
工作满5年的员工额外增加5天年假。

## 考勤制度

标准工作时间为周一至周五，上午9:00至下午
6:00。

之后创建python文件，执行如下代码：

from langchain_community.document_loaders import DirectoryLoader, TextLoader
from langchain_text_splitters import MarkdownTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from dotenv import load_dotenv
import os

load_dotenv()

# 1. 加载本地Markdown知识库
if os.path.exists("./enterprise_knowledge"):
loader = DirectoryLoader(
path="./enterprise_knowledge",
glob="*.md",
loader_cls=TextLoader,
loader_kwargs={"encoding": "utf-8"}
)
documents = loader.load()
else:
# 使用示例数据
print("目录不存在，使用示例数据…")
from langchain_core.documents import Document
sample_text = """# 企业人力资源政策

## 年假政策

所有正式员工每年享有15天带薪年假。
工作满5年的员工额外增加5天年假。

## 考勤制度

标准工作时间为周一至周五，上午9:00至下午6:00。
"""
documents = [Document(page_content=sample_text, metadata={"source": "sample"})]

# 2. 分割文档（适配大模型上下文窗口）
# MarkdownTextSplitter 使用默认的 Markdown 分隔符，不需要指定 separators
text_splitter = MarkdownTextSplitter(
chunk_size=1000,
chunk_overlap=200
)
split_docs = text_splitter.split_documents(documents)

# 3. 构建向量索引（结合向量数据库提升检索效率）
# 注：FAISS是轻量级向量检索库，适合小规模数据场景；大规模生产环境可替换为Milvus、Pinecone等分布式向量数据库
embeddings = OpenAIEmbeddings()
vector_store = FAISS.from_documents(split_docs, embeddings)

# 4. 知识库检索
query = "企业员工年假政策是什么？"
retrieved_docs = vector_store.similarity_search(query, k=3)
for doc in retrieved_docs:
print(f"【检索结果】\\n{doc.page_content}\\n")

二、知识图谱：揭示实体间的关系逻辑

1. 定义与核心特点

知识图谱是结构化的语义网络，以 “实体 – 关系 – 实体” 的三元组形式存储知识，核心是揭示事物之间的关联关系。核心特点包括：

• 结构化表示：每个节点代表实体（如人、公司、产品），边代表实体间的关系（如 “同事”“属于”“购买”）；
• 关系推理能力：可通过图查询挖掘隐藏的关系（如 “张三的同事的客户是谁”）；
• 可视化能力：直观展示实体间的关联网络。

2. 适用场景

• 金融风控：识别关联欺诈、洗钱行为；
• 智能推荐：基于用户 – 商品 – 标签的关系推荐；
• 知识问答：回答涉及关系的问题（如 “苹果公司的创始人是谁？”）；
• 社交网络分析：挖掘用户间的好友关系、影响力传播。

3. 构建方法

知识图谱的构建是一个复杂的工程流程，核心步骤包括：

4. 使用示例：基于 Neo4j 构建企业组织图谱

from neo4j import GraphDatabase
import os

# 连接Neo4j数据库（使用默认值或环境变量）
uri = os.getenv("NEO4J_URI", "bolt://localhost:7687")
user = os.getenv("NEO4J_USER", "neo4j")
password = os.getenv("NEO4J_PASSWORD", "password")

# 检查URI格式
if not uri.startswith(("bolt://", "neo4j://")):
print(f"警告: URI格式不正确 '{uri}'，使用默认URI")
uri = "bolt://localhost:7687"

try:
driver = GraphDatabase.driver(uri, auth=(user, password))
# 测试连接
driver.verify_connectivity()
print(f"成功连接到Neo4j: {uri}")
except Exception as e:
print(f"无法连接到Neo4j: {e}")
print("请确保:")
print("1. Neo4j数据库已启动")
print("2. 环境变量 NEO4J_URI, NEO4J_USER, NEO4J_PASSWORD 已正确设置")
print("3. 或使用默认配置: bolt://localhost:7687 (用户名: neo4j, 密码: password)")
exit(1)

# 1. 创建实体（员工、部门）
def create_employee(tx, name, position, department):
tx.run(
"MERGE (d:Department {name: $department}) " # 用MERGE替代MATCH，部门不存在则自动创建，提升代码鲁棒性
"CREATE (e:Employee {name: $name, position: $position}) "
"CREATE (e)-[:属于]->(d)",
name=name, position=position, department=department
)

def create_department(tx, name, location):
tx.run(
"CREATE (d:Department {name: $name, location: $location})",
name=name, location=location
)

# 2. 插入数据
with driver.session() as session:
# 创建部门
session.execute_write(create_department, "技术部", "北京")
session.execute_write(create_department, "市场部", "上海")
# 创建员工并关联部门
session.execute_write(create_employee, "张三", "后端开发工程师", "技术部")
session.execute_write(create_employee, "李四", "产品经理", "技术部")
session.execute_write(create_employee, "王五", "市场专员", "市场部")

# 3. 图查询：查找技术部的所有员工
def find_employees_by_department(tx, department_name):
result = tx.run(
"MATCH (e:Employee)-[:属于]->(d:Department {name: $name}) "
"RETURN e.name, e.position",
name=department_name
)
return [{"name": record["e.name"], "position": record["e.position"]} for record in result]

with driver.session() as session:
employees = session.execute_read(find_employees_by_department, "技术部")
print("技术部员工列表：")
for emp in employees:
print(f"- {emp['name']}：{emp['position']}")

driver.close()

三、向量数据库：语义层面的相似性检索

1. 定义与核心特点

向量数据库是专门用于存储、索引和检索高维向量的数据库，核心是通过嵌入模型（Embedding Model）将文本、图像、音频等非结构化数据转换为高维向量，实现语义层面的相似性匹配。核心特点包括：

• 高维向量存储：支持存储数万到数十亿条高维向量（通常 128-1536 维）；
• 高效索引：基于 IVF、HNSW 等索引算法实现毫秒级相似性检索；
• 语义匹配：不依赖关键词，基于内容语义进行检索（如 “猫的图片” 能召回 “老虎的图片”）；
• 混合存储能力：支持向量与结构化元数据（如标题、标签）联合存储，不适合直接存储大量非结构化原始文档（如完整 PDF、音频）。

2. 适用场景

• 大模型 RAG 系统：召回与用户查询语义相似的文档；
• 相似内容推荐：如短视频、文章推荐；
• 多模态检索：图像、音频、视频的语义检索；
• 代码检索：基于语义查找相似代码片段。

3. 构建方法

向量数据库的构建流程包括：

4. 使用示例：基于 Milvus 实现文档语义检索

from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType
from langchain_openai import OpenAIEmbeddings
import os
import numpy as np

# 1. 连接Milvus数据库（使用默认值或环境变量）
milvus_host = os.getenv("MILVUS_HOST", "localhost")
milvus_port = os.getenv("MILVUS_PORT", "19530")

try:
connections.connect(
alias="default",
host=milvus_host,
port=milvus_port
)
print(f"成功连接到Milvus: {milvus_host}:{milvus_port}")
except Exception as e:
print(f"无法连接到Milvus: {e}")
print("请确保:")
print("1. Milvus数据库已启动")
print("2. 环境变量 MILVUS_HOST, MILVUS_PORT 已正确设置")
print("3. 或使用默认配置: localhost:19530")
exit(1)

# 2. 定义向量集合结构
# 注：向量维度1536需与OpenAI Embeddings输出维度严格匹配；更换嵌入模型（如Sentence-BERT）需对应调整dim参数
fields = [
FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
FieldSchema(name="doc_id", dtype=DataType.INT64),
FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),
FieldSchema(name="content", dtype=DataType.VARCHAR, max_length=2000)
]
schema = CollectionSchema(fields, "企业文档向量集合")
collection = Collection("enterprise_docs", schema)

# 3. 插入文档向量
embeddings_model = OpenAIEmbeddings()
documents = [
"企业员工年假政策：工作满1年可享受5天年假，满3年10天，满10年15天。",
"技术部出差补贴标准：一线城市每天300元，二线城市200元。",
"市场部季度考核指标：新客户数量、品牌曝光量、活动转化率。"
]
doc_embeddings = embeddings_model.embed_documents(documents)
# 转换为Milvus支持的格式
insert_data = [
[i for i in range(len(documents))], # doc_id
np.array(doc_embeddings).astype(np.float32), # embedding
documents # content
]
collection.insert(insert_data)
collection.flush()

# 4. 创建索引并加载集合
index_params = {
"index_type": "HNSW",
"metric_type": "IP",
"params": {"M": 16, "efConstruction": 100}
}
collection.create_index("embedding", index_params)
collection.load()

# 5. 语义检索：查询与"员工休假政策"相似的文档
query_text = "员工休假政策是什么？"
query_embedding = embeddings_model.embed_query(query_text)
search_params = {"metric_type": "IP", "params": {"ef": 64}}
results = collection.search(
data=[np.array(query_embedding).astype(np.float32)],
anns_field="embedding",
param=search_params,
limit=2,
output_fields=["content"]
)

# 输出检索结果
print("语义检索结果：")
for hit in results[0]:
print(f"相似度：{hit.score:.2f}\\n内容：{hit.entity.get('content')}\\n")

collection.release()

四、三者核心差异与选型指南

1. 核心差异对比

2. 选型策略

• 优先选知识库：若业务需求是基于文档的信息检索，如智能客服 FAQ、企业内部文档查询；
• 优先选知识图谱：若业务需要挖掘实体间的关系，如金融风控、社交网络分析、商品推荐；
• 优先选向量数据库：若业务需要语义层面的相似性匹配，如相似文档推荐、RAG 增强大模型、图像检索；
• 组合使用：复杂场景下可结合三者优势，同时需注意数据一致性—— 例如知识库更新文档后，需同步更新向量数据库中的对应向量，以及知识图谱中的关联实体。
  • 大模型 RAG 系统：用知识库存储原始文档，向量数据库做语义检索召回，知识图谱补充实体关系信息；
  • 智能客服：用知识库回答 FAQ，用知识图谱处理涉及用户 – 订单 – 商品的关联问题，用向量数据库处理模糊查询。

五、总结

知识库、知识图谱与向量数据库是 AI 时代构建外部知识体系的三大核心技术，分别从 “存储”“关联”“检索” 三个维度解决大模型的知识局限性问题：

• 知识库是基础，解决知识的集中存储与管理；
• 知识图谱是深化，揭示知识间的关系逻辑；
• 向量数据库是升级，实现语义层面的精准检索。

在实际项目中，开发者应根据业务场景的核心需求选择合适的技术，甚至组合使用三者，构建更强大的 AI 应用。随着大模型技术的发展，三者与大模型的结合将越来越紧密，成为企业 AI 落地的核心基础设施。