书籍摘要

一、基本信息

书名：Knowledge Graphs and LLMs in Action
作者：Alessandro Negro, Vlastimil Kůs, Giuseppe Futia, Fabio Montagna
出版社：Manning Publications
出版年份：2026年
ISBN：9781633439894

本书由四位来自GraphAware公司的专家联合撰写，旨在探讨知识图谱（Knowledge Graphs, KGs）与大语言模型（Large Language Models, LLMs）的协同应用，构建混合智能系统以解决复杂领域的实际问题。

二、核心主题与价值主张

2.1 技术融合的革命性意义

本书的核心理念在于：知识图谱与大语言模型是"杀手级组合"（killer combination）。两者互补共生：

• 知识图谱提供结构化、可验证、可更新的知识表示，但构建和查询门槛高
• 大语言模型擅长自然语言理解与生成，但存在幻觉、知识陈旧、缺乏领域根基等问题

通过融合两者，LLMs可高效提取实体关系以构建KGs，而KGs则为LLMs提供可靠的领域知识基础，有效抑制幻觉并增强可解释性。

2.2 范式转变：从数据驱动到知识驱动

本书提出知识图谱的四大支柱：

1. 演化（Evolution）——持续集成异构数据，支持动态扩展
2. 语义（Semantics）——显式建模数据含义，支持推理与解释
3. 整合（Integration）——统一多源异构数据的中央枢纽
4. 学习（Learning）——支持机器学习推理与新知识发现

三、内容结构与组织

全书分为五大部分，共15章，形成从理论到实践的完整知识体系：

第一部分：混合智能系统基础（第1-2章）

• 介绍KGs与LLMs的基本概念及互补机制
• 探讨智能系统的架构设计，区分自主系统与顾问系统
• 阐述知识获取、表示与推理的核心原理

第二部分：从结构化数据构建知识图谱（第3-4章）

• 第3章：通过人类表型本体论（HPO）案例，演示如何构建临床诊断支持系统
• 第4章：扩展至多源生物医学数据整合，涵盖蛋白质相互作用网络、药物重定位等应用

第三部分：从文本构建知识图谱（第5-8章）

• 第5-6章：以洛克菲勒档案中心历史文献为例，展示LLM驱动的实体识别、关系提取与图谱构建全流程
• 第7-8章：深入命名实体消歧（NED），结合开放LLM（如Llama 3.1）与领域本体论，实现精准医学实体链接

第四部分：知识图谱上的机器学习（第9-12章）

• 介绍图表示学习与图神经网络（GNNs）
• 涵盖节点分类、链接预测、社区检测等任务
• 实战案例：反洗钱检测与电影推荐系统

第五部分：信息检索与问答系统（第13-15章）

• 探讨Graph RAG（检索增强生成）架构
• 构建基于LangGraph的自然语言查询系统
• 执法领域专家级问答代理的完整实现

四、技术特色与创新点

4.1 方法论创新

• CRISP-DM适配：将经典数据挖掘方法论适配于知识图谱构建流程
• 目的驱动构建：强调从业务目标出发，而非盲目整合所有数据
• 混合推理架构：结合演绎推理（KGs）与归纳推理（LLMs/GNNs）

4.2 技术实现亮点

• 多范式技术栈：同时涵盖RDF/SPARQL与属性图（LPG）/Cypher
• 开源工具链：Neo4j、Ollama、PyTorch Geometric、LangChain等
• 生产级代码：所有章节配备可运行的GitHub代码库

4.3 领域应用深度

覆盖医疗健康、药物研发、执法情报、历史档案等高风险、高复杂度场景，强调可解释性与人机协同而非替代。

五、目标读者与阅读建议

核心受众：

• 机器学习工程师与数据科学家
• 知识图谱从业者寻求LLM集成方案
• AI工程师需构建可信赖的企业级系统

阅读路径：

• 初学者：建议按顺序阅读，重点掌握第1-3章基础
• 有经验者：可根据需求跳读特定部分，如Part 3（文本抽取）或Part 5（问答系统）

六、总结评价

《Knowledge Graphs and LLMs in Action》是一部兼具理论深度与工程实践的权威著作。它不仅系统阐述了两项前沿技术的融合机制，更通过贯穿全书的医疗健康、生物医学、历史档案等真实案例，展示了如何构建"既智能又可信赖"的顾问式AI系统。在技术路线日益分化的当下，本书倡导的"混合智能"范式——结构化知识表示与神经语言模型的深度协同——为下一代企业级AI应用提供了清晰可行的路线图。