在企业级AI应用从实验走向生产的过程中，检索增强生成（RAG）的局限性正日益显现。Cassie Shum在近期一场技术演讲中指出，知识图谱正在成为智能体系统（Agentic AI）的关键基础设施，其价值远超传统RAG所能提供的简单文档检索能力。
Shum在演讲中系统阐述了四种基于知识图谱的实用架构模式。第一种是上下文捆绑（context bundling），即通过知识图谱将分散的实体和关系聚合为结构化的上下文单元，使智能体在单次推理中获得更完整的背景信息。第二种是决策溯源（decision provenance），利用图谱记录智能体每一步决策所依赖的数据来源和推理路径，从而提升系统的可审计性与可调试性。
第三种模式被称为“代码即真理”（code as truth），强调将业务逻辑和约束条件以代码形式固化到知识图谱中，避免智能体在推理过程中产生偏离预期的行为。第四种是智能体可见性（agent visibility），通过图谱结构实时追踪多个智能体之间的交互状态，为复杂多智能体协作场景提供可观测性支撑。
Shum还展示了一套构建在知识图谱之上的工程化框架（engineering harness），该框架旨在简化反馈循环、优化token使用效率并维持系统可靠性。在当前大模型推理成本仍然高企的背景下，token优化成为企业部署智能体系统时的重要考量因素。通过知识图谱对上下文进行精确组织，系统可以避免向模型注入冗余信息，从而在保持输出质量的同时降低推理开销。
这一技术路径反映了企业AI基础设施的一个演进方向：从简单的向量检索加生成，转向以结构化知识为核心的推理系统。随着智能体在企业场景中承担越来越复杂的任务，对上下文管理、决策透明度和系统可靠性的要求也在同步提升。知识图谱作为连接数据、逻辑与推理的中间层，正在成为生产级智能体系统不可或缺的组件。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
