Структурированное представление знаний в виде сети связанных фактов («сущность — отношение — сущность»), которое ИИ-системы используют для более точного и проверяемого поиска и ответа.
Граф знаний (knowledge graph) — это способ представления информации в виде сети узлов (сущностей — людей, компаний, понятий) и связей между ними («отношений»), например: «Сбер — разработал → GigaChat» или «GigaChat — является → LLM». Такая структура позволяет системе явно фиксировать факты и связи между ними, а не только текстовое описание.
В контексте ИИ-приложений граф знаний часто используют вместе с RAG (retrieval-augmented generation): вместо (или в дополнение к) поиска по семантическому сходству в векторной базе данных, система может опираться на явные, структурированные и проверяемые связи между сущностями в графе знаний, что снижает риск галлюцинаций и делает ответ модели более обоснованным и прослеживаемым до конкретного факта.
Компании, строящие корпоративных ИИ-ассистентов на внутренних данных, всё чаще комбинируют векторную базу данных (для поиска по смыслу) с графом знаний (для точных, проверяемых фактов о структуре организации, продуктах или процессах), чтобы получить более надёжные ответы, чем при использовании только одного из этих подходов.
Векторная база данных хранит данные в виде числовых представлений (эмбеддингов) и находит похожие по смыслу фрагменты. Граф знаний хранит явные, структурированные факты и связи между конкретными сущностями.
Чаще вместе — граф знаний дополняет классический RAG на векторной базе, добавляя точность и проверяемость там, где важны конкретные факты и связи, а не только семантическое сходство текста.
Крупные поисковые системы (например, Google Knowledge Graph) используют их для более точных ответов на запросы, а также многие корпоративные ИИ-системы для работы с внутренними структурированными данными компании.