mirror of
https://github.com/trustgraph-ai/trustgraph.git
synced 2026-04-25 16:36:21 +02:00
8954fa3ad7
Native CLI i18n: The TrustGraph CLI has built-in translation support that dynamically loads language strings. You can test and use different languages by simply passing the --lang flag (e.g., --lang es for Spanish, --lang ru for Russian) or by configuring your environment's LANG variable. Automated Docs Translations: This PR introduces autonomously translated Markdown documentation into several target languages, including Spanish, Swahili, Portuguese, Turkish, Hindi, Hebrew, Arabic, Simplified Chinese, and Russian.
135 lines
4.9 KiB
Markdown
135 lines
4.9 KiB
Markdown
---
|
||
layout: default
|
||
title: "知识图谱架构基础"
|
||
parent: "Chinese (Beta)"
|
||
---
|
||
|
||
# 知识图谱架构基础
|
||
|
||
> **Beta Translation:** This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.
|
||
|
||
## 基础 1：主谓宾 (SPO) 图模型
|
||
**决策**: 采用 SPO/RDF 作为核心知识表示模型
|
||
|
||
**理由**:
|
||
提供最大的灵活性和与现有图技术的互操作性
|
||
能够无缝转换为其他图查询语言 (例如，SPO → Cypher，反之则不行)
|
||
奠定基础，"解锁"许多下游功能
|
||
支持节点到节点的关系 (SPO) 和节点到字面值关系 (RDF)
|
||
|
||
**实施**:
|
||
核心数据结构: `node → edge → {node | literal}`
|
||
在支持扩展的 SPO 操作的同时，保持与 RDF 标准的兼容性
|
||
|
||
## 基础 2：原生于 LLM 的知识图谱集成
|
||
**决策**: 优化知识图谱结构和操作，以实现与 LLM 的交互
|
||
|
||
**理由**:
|
||
主要用例涉及 LLM 与知识图谱的交互
|
||
图技术选择必须优先考虑与 LLM 的兼容性，而不是其他考虑因素
|
||
能够实现利用结构化知识的自然语言处理工作流程
|
||
|
||
**实施**:
|
||
设计 LLM 可以有效推理的图模式
|
||
针对常见的 LLM 交互模式进行优化
|
||
|
||
## 基础 3：基于嵌入的图导航
|
||
**决策**: 通过嵌入将自然语言查询直接映射到图节点
|
||
|
||
**理由**:
|
||
实现从 NLP 查询到图导航的最简单路径
|
||
避免复杂的中间查询生成步骤
|
||
提供图结构内部高效的语义搜索功能
|
||
|
||
**实施**:
|
||
`NLP Query → Graph Embeddings → Graph Nodes`
|
||
维护所有图实体的嵌入表示
|
||
支持用于查询解析的直接语义相似性匹配
|
||
|
||
## 基础 4：分布式实体解析与确定性标识符
|
||
**决策**: 支持并行知识提取，并使用确定性实体标识 (80% 规则)
|
||
|
||
**理由**:
|
||
**理想**: 单进程提取，具有完整的状态可见性，可以实现完美的实体解析
|
||
<<<<<<< HEAD
|
||
**现实**: 可扩展性要求需要并行处理能力
|
||
=======
|
||
**现实**: 扩展性要求需要并行处理能力
|
||
>>>>>>> 82edf2d (New md files from RunPod)
|
||
**折衷**: 设计用于在分布式进程中实现确定性实体标识
|
||
|
||
**实施**:
|
||
开发机制，以生成在不同知识提取器中保持一致且唯一的标识符
|
||
在不同的进程中提到的相同实体必须解析为相同的标识符
|
||
承认约 20% 的边缘情况可能需要替代处理模型
|
||
设计用于处理复杂实体解析场景的后备机制
|
||
|
||
## 基础 5：事件驱动架构与发布-订阅
|
||
<<<<<<< HEAD
|
||
**决策**: 实施 pub-sub 消息系统，用于系统协调
|
||
=======
|
||
**决策**: 实现发布-订阅消息系统，用于系统协调
|
||
>>>>>>> 82edf2d (New md files from RunPod)
|
||
|
||
**理由**:
|
||
允许知识提取、存储和查询组件之间的松散耦合
|
||
支持实时更新和跨系统的通知
|
||
促进可扩展的分布式处理工作流程
|
||
|
||
**实施**:
|
||
使用消息驱动的系统组件协调
|
||
用于知识更新、提取完成和查询结果的事件流
|
||
|
||
## 基础 6：可重入代理通信
|
||
**决策**: 支持用于基于代理的处理的可重入发布-订阅操作
|
||
|
||
**理由**:
|
||
允许代理触发和响应彼此，从而实现复杂的代理工作流程
|
||
支持复杂的多步骤知识处理管道
|
||
允许递归和迭代处理模式
|
||
|
||
<<<<<<< HEAD
|
||
**实施**:
|
||
pub-sub 系统必须安全地处理可重入调用
|
||
=======
|
||
**实现**:
|
||
发布-订阅系统必须安全地处理可重入调用
|
||
>>>>>>> 82edf2d (New md files from RunPod)
|
||
防止无限循环的代理协调机制
|
||
支持代理工作流程编排
|
||
|
||
## 基础 7：列式数据存储集成
|
||
**决策**: 确保查询与列式存储系统兼容
|
||
|
||
**理由**:
|
||
能够对大型知识数据集执行高效的分析查询
|
||
支持商业智能和报告用例
|
||
桥接基于图的知识表示与传统的分析工作流程
|
||
|
||
**实施**:
|
||
查询转换层：图查询 → 列式查询
|
||
<<<<<<< HEAD
|
||
支持图操作和分析工作负载的混合存储策略
|
||
=======
|
||
混合存储策略，支持图操作和分析工作负载
|
||
>>>>>>> 82edf2d (New md files from RunPod)
|
||
在这两种范例中保持查询性能
|
||
|
||
--
|
||
|
||
## 架构原则摘要
|
||
|
||
1. **灵活性至上**: SPO/RDF 模型提供最大的适应性
|
||
2. **LLM 优化**: 所有设计决策都考虑 LLM 交互要求
|
||
3. **语义效率**: 直接的嵌入到节点映射，以实现最佳的查询性能
|
||
<<<<<<< HEAD
|
||
4. **务实的扩展性**: 在完美准确性和实际的分布式处理之间取得平衡
|
||
5. **事件驱动协调**: pub-sub 实现松散耦合和可扩展性
|
||
=======
|
||
4. **务实的扩展性**: 在完美的准确性与实际的分布式处理之间取得平衡
|
||
5. **事件驱动协调**: 发布-订阅实现松散耦合和可扩展性
|
||
>>>>>>> 82edf2d (New md files from RunPod)
|
||
6. **代理友好**: 支持复杂的多代理处理工作流程
|
||
7. **分析兼容性**: 桥接图和列式范例，以实现全面的查询
|
||
|
||
这些基础构建了一个知识图谱架构，该架构在理论严谨性和实际可扩展性之间取得了平衡，并针对 LLM 集成和分布式处理进行了优化。
|