知识图谱和 LLM 怎么结合？

先这样答

知识图谱和 LLM 可以从三个方向结合：KG 增强 LLM、LLM 增强 KG，以及两者协同。KG 增强 LLM 时，把图谱作为检索源。LLM 先根据问题找到相关实体、关系和事实，再生成答案。答案可以带上结构化依据，从而减少模型幻觉。

LLM 增强 KG 时，利用模型抽取文本中的实体和关系，形成或更新图谱。LLM 也可以做图谱补全，推断需要补充的关系。用户还可以用自然语言查询图谱，不必直接编写图查询语句。

协同时，可以让 LLM 负责生成答案，再让 KG 校验答案中的实体、关系和事实。一个落地例子是设备故障知识图谱加 LLM 问答。用户描述设备故障后，系统从图谱中检索设备、故障现象和相关关系，LLM 组织成自然语言回答，KG 再检查回答是否符合图谱事实。这样既保留了 LLM 的理解和表达能力，也让回答有结构化依据。

面试官会怎么追问

• 「为什么不直接让 LLM 回答，还要引入知识图谱？」 因为图谱可以作为检索源，提供实体、关系和事实。LLM 根据这些结构化内容生成答案，回答可以带依据，也能减少幻觉。

• 「LLM 增强知识图谱具体可以做什么？」 LLM 可以从文本中抽取实体和关系，并用于图谱构建或更新。它还可以做图谱补全，也可以把自然语言问题转换成对图谱的查询。

• 「设备故障问答这个例子怎么设计？」 先把设备、故障现象和相关关系放进知识图谱。用户提问后，系统检索相关图谱内容，LLM 根据检索结果组织答案。生成后再用 KG 校验答案中的事实。

回答的坑

• 只说“知识图谱可以减少幻觉”，却不说明图谱如何作为检索源，也没有说明答案如何引用结构化依据。
• 只讲 LLM 抽取实体关系，却漏掉 KG 增强 LLM 和 LLM 生成后由 KG 校验这两个方向。