在當前生成式 AI 的發展中，許多開發者將重點放在 RAG（Retrieval-Augmented Generation，檢索增強生成）上，旨在讓大語言模型（LLM）能從外部數據庫獲取資訊以減少幻覺。然而，隨著 AI 代理（Agentic AI）的興起，單純的「檢索」已不足以支撐複雜的生產環境。RelationalAI 的副總裁 Cassie Shum 在 QCon AI 的分享中指出，要讓 AI 代理從單純的問答工具演進為具備推理能力的系統，需要一個更強大的底層結構——知識圖譜（Knowledge Graph, KG）。
知識圖譜不僅僅是一個圖形資料庫，它更是一層豐富的語義層（Semantic Layer），定義了實體（Entities）之間的關係及其背後的邏輯。在企業環境中，這意味著 AI 不再是從碎片化的文件塊中搜尋關鍵字，而是能理解組織內部的領域知識（Domain Knowledge），例如某項合規政策如何對應到特定的業務部門，或某個技術決策是如何隨時間演進的。
背景與挑戰：超越單純的檢索
許多人質疑 GraphRAG（基於圖譜的檢索增強生成）是否已過時，因為現代 LLM 的上下文視窗（Context Window）越來越大，且推理能力提升，直接將大量文件丟入 Prompt 中似乎也能得到正確答案。但 Shum 指出，在生產環境中，正確性僅是基本要求，真正的挑戰在於可重複性、一致性與可審計性。
如果僅依賴長上下文，不同工程師的 Prompt 差異會導致輸出結果不一致。此外，企業內存在大量「部落知識」（Tribal Knowledge），這些資訊散落在舊的 Wiki 頁面、對話紀錄或資深員工的腦中。當 AI 代理面對這些混亂且過時的資訊時，極易產生混淆。因此，知識圖譜的作用不再僅僅是優化檢索精度，而是作為整個代理系統的底層基質（Substrate），提供一個可共享、可追溯且結構化的上下文來源。
核心實踐：四種 Agentic AI 建築模式
為了將知識圖譜轉化為實際的工程能力，Shum 提出了四種在生產環境中驗證過的設計模式，旨在提升 AI 代理的效率與可靠性。
第一個模式是上下文打包（Context Assembly）。傳統 RAG 僅檢索相關片段，而上下文打包則是利用知識圖譜將需求規格（Spec）、工程標準、先前相關工作以及領域文件整合為一個「上下文包」。例如在實作身份驗證（Auth）功能時，代理不應僅參考網路上的最佳實踐，而應從圖譜中提取該公司現有的認證標準與現有代碼實現。實驗證明，雖然強大的模型在有無圖譜的情況下都能給出正確答案，但使用知識圖譜能顯著減少代理的對話輪數（Turns）與 Token 消耗，大幅提升執行效率。
第二個模式是決策溯源（Provenance for Decision Making）。在 AI 代理自動執行任務時，開發者需要知道 AI 為何做出特定決策。透過將從想法（Idea）到規格（Spec）、再到任務執行與人類干預的所有過程記錄在知識圖譜中，系統能建立完整的審計軌跡。這種溯源能力讓團隊能追蹤一個合併請求（Merged PR）最初是由哪個想法觸發，以及過程中經過了哪些修正。
第三個模式是將代碼視為真相（Code as Truth）。在開發過程中，規格書（Spec）代表的是意圖（Intent），而代碼才是現實（Reality）。許多團隊錯誤地認為只要規格書寫得好，AI 就能產出完美代碼，但實際上實現過程中的發現往往會修正最初的規格。因此，系統應在知識圖譜中同時建模「意圖」與「現實」，並將實作過程中產生的新知識反饋回圖譜中，避免 AI 在後續迭代中抹除開發者在實作階段才發現的關鍵細節。
第四個模式是可視化（Visibility）。當團隊部署大量 AI 代理時，最困難的是掌握代理在後台究竟在做什麼。由於所有狀態與決策都儲存在知識圖譜中，管理者可以輕鬆查詢每個任務的成本（Token 消耗）、上下文包的大小以及執行路徑。這種透明度將 AI 代理從「黑盒子」變成了可量化、可管理的工程組件。
實務影響與限制
引入知識圖譜能將 AI 代理變成工程文化的「誠實鏡子」。如果一個團隊缺乏基礎的工程實踐（如測試、CI/CD 或清晰的文檔），AI 代理只會加速產生大量不可維護的「AI 垃圾代碼」（AI Slop）。反之，擁有良好工程文化且利用知識圖譜強化上下文的團隊，能獲得巨大的生產力提升。
然而，知識圖譜的建構存在顯著的開銷（Overhead），包括定義 Schema、清理數據以及維護圖譜的成本。Shum 建議，開發者不應盲目追求圖譜化，而應在感受到明確痛點時才引入。例如，當模型雖然能給出正確答案，但 Token 成本過高或對話輪數過多時，或是需要嚴格的審計溯源時，知識圖譜的價值才會體現。
總結來說，從檢索轉向推理的關鍵在於將知識圖譜從一個「數據源」提升為「上下文層」。這不僅優化了 AI 的執行效率，更為 AI 代理在企業環境中的可擴展性與可靠性奠定了基礎。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。