想象一下，你走进一家藏书百万的图书馆。管理员老周博学健谈，你问他“北京在哪个国家”，他总能滔滔不绝。可偶尔，他会把记混的年份、张冠李戴的名字说得斩钉截铁——因为他全靠大脑记忆作答，从不查证。今天的大模型（LLM）就像老周：读过的语料汗牛充栋，却会一本正经地“编造”事实，这就是行业里说的“幻觉”。 幸运的是，这家图书馆还藏着一套被忽视的宝贝——卡片索引柜。每张卡片记录一个实体（北京、中国），卡片之间用红绳交叉引用（“是首都”、“人口约”），这套卡片网络，就是知识图谱（Knowledge Graph）。如果老周回答问题前先翻卡片、沿索引路径核实证据，再翻书引用出处，他的回答就会从“听起来靠谱”变成“真的靠谱”。这篇文章，就是教你把“卡片索引柜”装进大模型，让 AI 学会查证、溯源、讲实话——从“能说会道”升级为“言之有据”。

岗位关联

掌握知识图谱增强 LLM 的能力，意味着你能让大模型在企业问答、专业助手、可信 AI 等场景中真正做到“有据可依”——这是可信 AI 时代最稀缺的工程师技能之一。

目录
  1. 可视化演示
  2. 幻觉问题根源
  3. 知识图谱基础
  4. 检索增强RAG
  5. 知识注入训练
  6. 图谱引导生成
  7. 事实性评估
  8. 工程落地部署
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示知识图谱向LLM注入结构化知识、图谱引导的检索增强生成流程(Query-Retrieve-Context-Generate)及幻觉率随KG增强递减趋势，三模式动态演示可信AI构建机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

知识注入：KG结构化知识增强LLM 青色为知识图谱实体 浅青为实体关系 橙色为知识流向 LLM + KG -> factual output 知识图谱实体和关系作为结构化知识注入LLM，显著降低幻觉率

幻觉问题根源

老周为什么会“张嘴就来”？其实他也很委屈：他脑子里挤着几百万本书，记混作者、记错年份再正常不过；有些书是三十年前出版的，信息早就过时；偶尔两本书的内容在他脑中纠缠，他就把一段话缝得严丝合缝、煞有介事。大模型的“幻觉”和老周如出一辙：它不是一个会查证的数据库，而是一个按概率猜下一个词的高级“接龙选手”。你问它“北京在哪个国家”，它并不是去查地图，而是根据训练时见过的大量文本，算出最顺口的后续词串——顺口，不等于正确。

技术上看，幻觉有三个典型来源。第一是记忆偏差：训练语料本身充满噪声、谣言、二手转述，模型把错误当真理记住了。第二是知识过时：预训练有截止日期，之后的世界它一概不知，却依然自信作答。第三是事实虚构：解码时模型偏爱流畅、具体的表达，为了“像人话”不惜编造细节。用一个量化指标来度量这个毛病：

要治老周的毛病，光叮嘱他“认真一点”没用，得给他一套外部查证系统。下一节，我们就去参观图书馆里那套落灰的卡片索引柜——知识图谱。

幻觉率=与知识库不一致的句子数模型生成的总句子数\text{幻觉率} = \frac{\text{与知识库不一致的句子数}}{\text{模型生成的总句子数}}
幻觉率衡量模型输出中“没依据”内容的占比，是评估可信 AI 的第一把尺子。
  1. 分子——问题句计数把模型回答逐句拆出，与权威知识库比对，统计被证伪的句子数量
    与知识库不一致的句子数\displaystyle \text{与知识库不一致的句子数}
  2. 分母——总句数统计模型本次生成的全部句子数量，作为归一化的基准
    模型生成的总句子数\displaystyle \text{模型生成的总句子数}
  3. 比值——幻觉占比两者相除得到 0 到 1 之间的比例，越接近 1 代表模型越爱“胡编”
    不一致句子数总句子数\displaystyle \frac{\text{不一致句子数}}{\text{总句子数}}

知识图谱基础

图书馆地下室里有一排卡片索引柜，这是老周年轻时亲手编的：每张卡片正面写一个名字，比如“北京”“中国”“故宫”；卡片上方用红绳绑着其他卡片的编号，旁边标注关系词：“是首都”“拥有”“建于”。老周只要顺着红绳，就能从一张卡片跳到另一张，把零散信息串成一条完整线索。这套卡片网络，在计算机世界里就叫知识图谱（Knowledge Graph）：一张由“节点”和“边”组成的网。

在技术语言里，节点上的东西叫实体（Entity），就是你卡片柜里的一张张名片；实体之间的箭头叫关系（Relation），就是卡片间的红绳；而“北京 — 是首都 → 中国”这样一条完整的记录，叫三元组（Triple）。把成千上万条三元组拼在一起，就得到一个结构化的“世界地图”。相比自然语言文本，这张地图的优点是：不啰嗦、无歧义、机器可以直接推理。用数学语言描述：

有了这套卡片网络，老周终于有了查证的依据。可问题来了：面对上千张卡片，他该怎么快速找到与问题相关的几张？这就是下一节“检索增强”要解决的难题。

G=(E,R,T),T⊆E×R×EG = (E, R, T),\quad T \subseteq E \times R \times E
知识图谱就是一个三元组仓库：实体是仓库里的货架，关系是货架间的传送带。
  1. 实体集合 E图谱中所有独立对象（人、地点、物品）的集合，相当于卡片柜里的全部名片
    E={北京,中国,故宫,⋯ }\displaystyle E = \{\text{北京}, \text{中国}, \text{故宫}, \cdots\}
  2. 关系集合 R实体之间所有可能的联系类型，相当于红绳上贴的标签
    R={是首都,拥有,建于,⋯ }\displaystyle R = \{\text{是首都}, \text{拥有}, \text{建于}, \cdots\}
  3. 三元组集合 T每条记录由“头实体、关系、尾实体”组成，是 E×R×E 笛卡尔积的一个子集，只有真实存在的事实才会入库
    T⊆E×R×E\displaystyle T \subseteq E \times R \times E

检索增强RAG

为了快速作答，老周给自己定了三步规矩。第一步查索引：问题一来，他先跑向卡片柜，按问题关键词抽出几十张候选卡片；第二步精筛：候选太多反而乱，他再按相关度淘汰掉大半，只留最要紧的五六张；第三步照读：他捧着这几张卡片，照着红绳标注的内容组织答案，并报出卡片编号作为出处。这套“先检索、再生成、附证据”的方法，就是大名鼎鼎的RAG（Retrieval-Augmented Generation，检索增强生成）。

但纯文本检索有个局限：它只能找“字面上像”的段落，理解不了“北京→首都→中国”这种隐含的多跳逻辑。于是工程师们把知识图谱也接进了检索流程：一路用向量相似度找相关文档，一路用图谱找相关实体和路径，两路结果合并打分。综合分可以写成：

从此老周回答问题终于“有书可查”了。但若是冷门问题，卡片柜里压根没有记录，他照样抓瞎。下一节，我们提前把这些高频知识做成“口袋卡片”，让老周背进脑子里——这就是知识注入训练。

Score(q,d)=α⋅cos⁡(q⃗,d⃗)+β⋅KG(q,d)\text{Score}(q,d) = \alpha \cdot \cos(\vec{q},\vec{d}) + \beta \cdot \text{KG}(q,d)
语义相似度和图谱结构分加权求和——既看“像不像”，也看“连不连得上”。
  1. 查询向量与文档向量把用户问题和候选文档分别编码成数字向量，用于计算相似度
    q⃗,d⃗\displaystyle \vec{q}, \vec{d}
  2. 余弦相似度衡量两个向量方向是否一致，得分越高代表文本语义越接近
    cos⁡(q⃗,d⃗)\displaystyle \cos(\vec{q},\vec{d})
  3. 图谱结构分统计候选内容与问题实体的图距离，命中图谱路径的会显著加分
    KG(q,d)\displaystyle \text{KG}(q,d)
  4. 加权融合α 和 β 分别控制两条通道的权重，超参调优后可让结构知识发挥恰当作用
    α⋅cos⁡(q⃗,d⃗)+β⋅KG(q,d)\displaystyle \alpha \cdot \cos(\vec{q},\vec{d}) + \beta \cdot \text{KG}(q,d)

知识注入训练

老周发现，每次查卡片还是太慢。于是他把柜子里最常用的几百条记录抄成口袋卡片，每天上下班路上背诵：“北京是首都、中国在亚洲、故宫建于1420年……”背熟之后，再有人问起常识问题，他不用翻柜子也能脱口而出，而且说得又准又稳。这就好比知识注入：把知识图谱里的三元组，通过训练“刻进”大模型的参数里，让模型遇到常见问题时能直接回忆，而不是临时检索。

知识注入主要有两条路。其一是预训练注入：在预训练阶段，把图谱三元组转成自然语言句子混进语料，让模型“见多识广”。其二是微调对齐：在指令微调阶段，给模型看“（头实体，关系）→ 尾实体”的完形填空，逼它学会用图谱知识补全答案。总损失函数是两部分的加权：

如果说检索是“外功”，训练注入就是“内功”，内外兼修之后，老周既快又准。可万一他背错了呢？下一步，我们给老周的回答装上“导航轨道”——让生成过程沿着图谱路径走，不许他自由发挥。

L总=L语言模型+λ⋅L实体\mathcal{L}_{\text{总}} = \mathcal{L}_{\text{语言模型}} + \lambda \cdot \mathcal{L}_{\text{实体}}
语言模型损失负责“说得通”，实体损失负责“说得对”，λ 决定两者权重。
  1. 语言模型损失模型原有的“预测下一个词”目标，保证生成流畅自然
    L语言模型\displaystyle \mathcal{L}_{\text{语言模型}}
  2. 实体预测损失新增的监督信号，要求模型在给定头实体和关系时正确预测尾实体
    L实体\displaystyle \mathcal{L}_{\text{实体}}
  3. 平衡系数λ 控制知识图谱信号的强度，太大模型变得死板，太小知识又记不牢
    λ∈[0,1]\displaystyle \lambda \in [0, 1]

图谱引导生成

老周有个坏毛病：一旦得意起来就爱“自由发挥”，从一个话题跳到八竿子打不着的另一本书上。图书馆馆长为此想了个狠招——在他回答时，只允许他沿着索引卡片上的红绳走：先到“北京”，顺着“是首都”到“中国”，再顺着“人口约”到“14亿”。想一步跨到“故宫”？对不起，路线上没有这条边，立刻打断重来。这种“沿着图谱轨道生成”的技术，就叫图谱引导生成。

实现上分三步：先做子图提取，从问题实体出发，把周围几跳以内的节点和边捞出来，构成一个小型“作战地图”；再做路径规划，在地图上挑出最可能通往答案的几条路径；最后是约束解码，生成每个词时，只允许候选词落在当前实体在图谱上的邻居范围内。用条件概率连乘来表达这一过程：

有了这条“轨道”，老周再也不能信马由缰。但怎么证明他真的变靠谱了？光靠感觉可不行——下一节，馆长请来了拿着打分表的质检员。

P(y∣x,G)=∏t=1TP(yt∣y<t,x,NG(yt−1))P(y|x,G)=\prod_{t=1}^{T} P(y_t \mid y_{<t}, x, \mathcal{N}_G(y_{t-1}))
每一步生成都被“焊”在图谱邻居节点上，模型想编也编不出去。
  1. 连乘结构整句生成概率等于每一步条件概率的乘积，一步出错整体概率骤降
    ∏t=1TP(yt∣⋯ )\displaystyle \prod_{t=1}^{T} P(y_t \mid \cdots)
  2. 已生成前缀当前第 t 步之前的全部输出，保证句子的连贯性
    y<t\displaystyle y_{<t}
  3. 图谱邻居约束上一步实体的邻居节点集合就是候选词白名单，非法候选概率直接置零
    NG(yt−1)\displaystyle \mathcal{N}_G(y_{t-1})

事实性评估

新制度运行一周后，馆长请来一位质检员。质检员的工作很机械：把老周每段回答拆成一句句断言，然后拿着这些断言去卡片柜里逐条核对——“北京是首都中国”？卡片上有，打钩；“故宫建于1420年”？卡片上有，打钩；“故宫游客人均消费5000元”？卡片上根本查不到，打叉！一天下来，质检员给老周打出一个综合分。这套“逐条核对、按比例打分”的方法，就是大模型领域著名的FactScore（事实性评分）：

除了 FactScore，还有幻觉检测模型、证据链完整性校验等配套手段。总之，没有度量就没有改进——质检日报驱动着老周不断修正错误卡片。技术打磨完毕，最后一步是把整套“老周+卡片柜+质检员”搬进企业大厦，真正上线服务。

FactScore=1K∑i=1K1{vi∈VKG}\text{FactScore} = \frac{1}{K}\sum_{i=1}^{K} \mathbb{1}\{ v_i \in V_{KG} \}
FactScore = 能被知识图谱验证的断言数 ÷ 总断言数，是可信 AI 的“体检报告”。
  1. 断言抽取把模型回答切成 K 条独立的事实断言，每条只表达一个可验证的点
    vi,i=1,⋯ ,K\displaystyle v_i, \quad i = 1, \cdots, K
  2. 图谱验证指示函数判断该断言能否在知识图谱实体集合中找到对应事实，找到为 1，否则为 0
    1{vi∈VKG}\displaystyle \mathbb{1}\{ v_i \in V_{KG} \}
  3. 取平均对所有断言的验证结果求均值，得到 0 到 1 之间的事实性得分，越接近 1 越可靠
    1K∑i=1K⋯\displaystyle \frac{1}{K}\sum_{i=1}^{K} \cdots

工程落地部署

把实验室里的技术搬进企业，就像把图书馆的管理员、卡片柜和质检员整体打包成一家客服公司。大厦前台是API 入口，客户的问题从这里进来；中台是检索路由，负责判断该查卡片柜还是该翻书；后台仓库是图谱存储，几十万张卡片分门别类躺好。上线后第一个挑战是速度：老周每次都要翻柜子，高峰时段排队排到门口。解决办法是加一层缓存——把高频问题的答案和路径提前存好，命中就直接返回，不必再走全量检索。

第二个挑战是图谱的“胖瘦”。全量图谱动辄上亿节点，每次都遍历不现实，工程上常用子图裁剪：根据问题实体只加载局部子图，控制时延在几百毫秒内。衡量检索模块做得好不好，业界常用召回率指标 Recall@k：

部署不是终点，而是起点。企业的业务在变，卡片柜也得持续更新：定期爬取新政策、新条款，淘汰过期三元组，让老周的知识永远保鲜。至此，老周从“健谈但不靠谱”彻底蜕变为“每句话都有出处”的明星馆员——这就是知识图谱增强 LLM 的完整故事。

Recall@k=∣前k条结果中的相关事实∣∣全部相关事实∣\text{Recall@k} = \frac{|\text{前}k\text{条结果中的相关事实}|}{|\text{全部相关事实}|}
Recall@k 衡量“前 k 条里捞回了多少真金”，是检索质量的标尺。
  1. 分子——命中数统计检索结果前 k 条中，与问题真正相关的事实数量
    ∣前k条结果中的相关事实∣\displaystyle |\text{前}k\text{条结果中的相关事实}|
  2. 分母——相关总量统计知识库中该问题对应的全部相关事实数量，作为满分基准
    ∣全部相关事实∣\displaystyle |\text{全部相关事实}|
  3. 比值——召回能力召回率越高，说明检索模块越能捞全证据，下游生成越“有米下锅”
    命中数相关总量\displaystyle \frac{\text{命中数}}{\text{相关总量}}

AI 应用场景

企业智能知识问答助手

阶段：检索增强 RAG + 事实性校验（部署阶段）

解决的问题：传统客服知识库靠关键词匹配，长尾问题经常答非所问；直接上大模型又会编造公司政策。知识图谱把“产品—条款—理赔流程”等实体关系结构化，检索阶段先定位图谱路径，再注入原文片段，回答自带出处。

具体案例：某保险公司上线售后问答机器人，先构建“险种→理赔时效→所需材料”知识图谱。用户问“重疾险理赔要多久”，系统沿图谱找到“重疾险→理赔时效→15个工作日”证据链，生成回答并附条款链接，工单投诉率下降 40%。

医疗领域病历辅助问答

阶段：图谱引导生成（生成阶段）

解决的问题：病历摘要生成时，大模型经常“脑补”不存在的检查结果。用“症状—疑似疾病—检查项目”图谱做约束解码，模型只能在图谱邻居节点范围内生成诊断相关实体，从机制上杜绝编造。

具体案例：某医院临床辅助决策系统接入医生工作站，医生输入“胸痛伴大汗”，系统沿图谱遍历“胸痛→疑似→心肌梗死→检查→肌钙蛋白”，引导模型输出鉴别诊断建议，并逐条标注知识来源，误诊隐患明显减少。

电商工单自动归因

阶段：知识注入 + 检索增强（预处理与决策阶段）

解决的问题：平台每天数万条售后工单，规则模板漏判率高。把“商品—物流—售后政策”关系做成子图，让 LLM 在子图约束下生成工单处理建议并附责任节点，人工复核量大幅下降。

具体案例：某电商平台将“商品破损→物流责任→补发或退款”编码为图谱子图，模型根据工单描述自动定位责任链路，输出处理建议并标明图谱依据，人工复核率降低 35%，处理时效提升 50%。

Python 演示

python63 行
# -*- coding: utf-8 -*-"""KG增强检索问答小演示: 用三元组图做证据检索与防幻觉"""  class KnowledgeGraph:    def __init__(self):        self.entities = set()        self.triples = []       # (head, relation, tail)        self.adj = {}           # head -> list of (relation, tail)     def add(self, head, relation, tail):        self.triples.append((head, relation, tail))        self.entities.add(head)        self.entities.add(tail)        self.adj.setdefault(head, []).append((relation, tail))     def hop(self, entity, depth=2):        """沿图谱向前检索 depth 跳, 返回所有路径和证据三元组"""        if entity not in self.entities:            return [], []        frontier = [(entity, [])]        all_paths = []        for _ in range(depth):            nxt = []            for node, path in frontier:                for rel, tail in self.adj.get(node, []):                    p = path + [(node, rel, tail)]                    all_paths.append(p)                    nxt.append((tail, p))            frontier = nxt        return all_paths, all_paths[:3]  def find_entity(kg, question):    """从问题中识别实体, 相当于定位卡片柜里的起始名片"""    for e in kg.entities:        if e in question:            return e    return None  def answer(kg, question):    """图谱引导生成: 无实体则拒绝回答, 有路径则沿链给出证据"""    entity = find_entity(kg, question)    if entity is None:        return "未检索到实体, 拒绝作答(防幻觉)"    paths, evidence = kg.hop(entity, depth=2)    if not paths:        return "图谱无路径, 拒绝作答"    chain = paths[0]    facts = " -> ".join(["(%s %s %s)" % (h, r, t) for h, r, t in chain])    return "证据链: %s | 可用三元组 %d 条, 答案可溯源" % (facts, len(evidence))  if __name__ == "__main__":    kg = KnowledgeGraph()    kg.add("北京", "是首都", "中国")    kg.add("中国", "位于", "亚洲")    kg.add("中国", "人口约", "14亿")    kg.add("北京", "拥有", "故宫")    kg.add("故宫", "建于", "1420年")    for q in ["北京在哪里", "中国人口约多少", "火星在哪里"]:        print(q, "=>", answer(kg, q))
目的：演示“先检索图谱证据链、再生成回答”的 KG+LLM 最小实现，包含拒答防幻觉机制。
  1. self.adj = {}用邻接表存储图谱：以头实体为键，值是与它相连的（关系，尾实体）列表，查证只需 O(1)
  2. def hop(self, entity, depth=2)广度优先向前检索，最多走 depth 跳，返回所有可达路径，对应“沿红绳查卡片”
  3. if entity not in self.entities: return [], []实体不在图谱中直接返回空，是防幻觉的第一道闸门
  4. def find_entity(kg, question)从用户问题里抽取出起始实体，相当于老周先确定从哪张卡片出发
  5. if entity is None: return "未检索到实体, 拒绝作答"找不到实体就拒答，宁可不说也不乱说
  6. facts = " -> ".join(...)把三元组路径拼成可读证据链，模仿“图谱引导生成”的输出格式
  7. for q in ["北京在哪里", ...]主入口遍历三个问题，其中“火星在哪里”会触发拒答分支，展示防幻觉效果

常见误区

误区有同学觉得，既然知识图谱有用，那把几百条三元组全写进 prompt，让模型“看到”不就行了吗？省去了训练和检索的麻烦。

正解提示词窗口有限，几百条三元组混在一起只会稀释注意力，模型照样分不清哪条跟当前问题有关。正确做法是像管理员只抽相关卡片那样：先用检索从图谱中捞出与问题相关的子图，再沿路径取证据，最后用约束解码防止模型跑偏。核心在于“选得准、约束得住”，而不是“堆得多”。

为何常见：大模型 API 的使用门槛太低，大家习惯了“prompt 加料”的暴力方案，忽略了检索和过滤背后的工程设计。

误区向量检索已经能找出相关文档片段，为什么还要费劲构建知识图谱？有人觉得 RAG 是“现代”方案，知识图谱是“老古董”。

正解向量检索擅长找“字面相关”的段落，却理解不了“北京→首都→中国→人口约→14亿”这种需要多跳推理的逻辑链。知识图谱提供结构化证据链，RAG 提供语义丰富的原文，两者互补：RAG 给素材，图谱给逻辑，融合才能让回答既有深度又有出处。

为何常见：RAG 宣传多、见效快，新人容易把“检索到段落”误当成“模型真正理解了知识结构”。

误区上线 KG+LLM 系统后，模型偶尔还是说错，老板质疑“不是说了能防幻觉吗”？自己也觉得方案失败了。

正解知识图谱增强只能显著降低幻觉，无法根除。图谱本身可能有噪声、覆盖不全，模型也可能绕开约束路径自由发挥。因此工程上必须配套评估指标（如 FactScore）持续监控，并保留“未检索到证据就拒绝回答”的兜底策略。把“缓解”当成“消除”，是对技术边界的高估。

为何常见：市场宣传喜欢用“解决幻觉”这种绝对表述，听多了就容易产生非黑即白的预期。

误区既然知识越多越好，那就拼命往图谱里堆实体，几千万个节点看着就安心，以为量大出奇迹。

正解图谱质量远比数量重要。冗余、冲突、过时的三元组会引入噪声，反而拉低检索精度和 FactScore。实践中应优先保证三元组的准确性，做质量过滤、实体对齐和周期性更新，再考虑扩充规模。一个精心维护的 10 万实体图谱，往往胜过粗制滥造的 1000 万实体图谱。

为何常见：数据驱动的主流叙事让人天然迷信“多即好”，忽略了结构化知识对精度的高要求。

面试题

Q1. 大模型产生“幻觉”现象的最直接原因是什么？

单选题 · easy

  • A.训练语料包含网络噪声
  • B.按概率生成而非事实查证← 正确答案
  • C.模型参数量太过庞大
  • D.推理阶段速度太慢

答案：B。大模型本质是“根据上文预测下一个词”的统计机器，它不检索数据库，只追求输出“像人话”。选项 B 点出了幻觉的根源；A 只是语料质量问题，C 和 D 与幻觉无直接因果关系，故选 B。

Q2. 知识图谱中“北京 — 是首都 → 中国”这种一条记录的标准称呼是什么？

单选题 · easy

  • A.知识三元组← 正确答案
  • B.实体关系对
  • C.文档摘要对
  • D.语义向量组

答案：A。一条记录由“头实体、关系、尾实体”三部分组成，称为三元组（Triple），对应卡片柜里“北京—首都→中国”这张索引记录。B 缺了头实体，C 和 D 是文本处理里的概念，与图谱记录结构不符。

Q3. 知识图谱增强大模型的常见方式有哪些？

多选题 · mid

  • A.检索增强与知识注入← 正确答案
  • B.图谱引导生成回答← 正确答案
  • C.单纯扩大模型规模
  • D.扩大上下文窗口长度← 正确答案

答案：ABD。检索增强（RAG）在生成前捞证据，知识注入通过训练把三元组刻进参数，图谱引导生成用路径约束解码，三者都是主流增强手段。C 扩大模型规模只能提升泛化能力，不能保证事实正确；D 扩大上下文窗口为注入更多图谱信息提供了空间，可视为辅助手段。故选 A、B、D。

Q4. 在 RAG 流程中，“重排序”环节的核心作用是什么？

单选题 · mid

  • A.对候选片段重新排序← 正确答案
  • B.压缩模型的参数量
  • C.增加图谱的层数深度
  • D.替换底层的编码器

答案：A。检索会先召回大量候选文档，但相关度参差不齐。重排序用更精细的模型对候选重新打分排序，把最相关的证据排到前面，让生成模块“吃到好料”。B、C、D 分别属于模型压缩、图谱构建和架构替换，与检索排序无关。

Q5. 知识注入训练中，“实体预测损失”的主要作用是什么？

单选题 · mid

  • A.提升文本生成的速度
  • B.记住实体与关系知识← 正确答案
  • C.简化模型的推理结构
  • D.替代注意力机制

答案：B。实体预测损失要求模型在给定头实体和关系时正确预测尾实体，本质是逼模型把图谱知识“背”进参数。B 准确描述了这一作用；A 是性能优化，C 是结构简化，D 是架构替换，都与知识记忆无关。

Q6. 相比纯文本 RAG，图谱引导生成有哪些独特优势？

多选题 · hard

  • A.支持多条路径的推理← 正确答案
  • B.生成结果可沿图追溯← 正确答案
  • C.消除全部词汇重复
  • D.减少与图谱的矛盾← 正确答案

答案：ABD。图谱天然支持多跳路径推理（如北京→中国→亚洲），生成过程被约束在图谱路径上，每个实体都能回溯证据。D 是约束解码的直接结果。C 词汇重复是解码层面的通用问题，图谱引导并不专门解决它，故排除。

Q7. 计算 FactScore 时，分子部分统计的是什么？

单选题 · extreme

  • A.生成的总句子数量
  • B.能被图谱验证的断言数← 正确答案
  • C.检索命中的文档数
  • D.知识图谱实体总数

答案：B。FactScore 的流程是：把回答拆成断言 → 逐条去知识图谱验证 → 统计能验证的断言数作为分子，再除以总断言数。B 正是分子含义；A 是分母，C 是检索指标，D 是图谱规模统计，均与打分公式不符。

Q8. 企业部署 KG+LLM 问答系统时，以下哪一项最可能拖慢响应速度？

单选题 · mid

  • A.每次都遍历超大图谱← 正确答案
  • B.使用结果缓存策略
  • C.限制图谱检索深度
  • D.使用轻量级生成模型

答案：A。全量图谱动辄千万级节点，每次请求都完整遍历必然导致高延迟，工程上要用子图裁剪和缓存来规避。B 是加速手段，C 和 D 也是优化策略，只有 A 是典型的性能陷阱。

Q9. 下列哪些工程手段可以有效缓解大模型幻觉？

多选题 · hard

  • A.检索增强注入证据← 正确答案
  • B.图谱校验事后纠错← 正确答案
  • C.提示词允许承认不知← 正确答案
  • D.删除训练语料数据

答案：ABC。RAG 在生成前提供事实依据，图谱校验在生成后核对断言，提示词允许模型说“不知道”能减少强行作答，三者分别从前、中、后三个环节抑制幻觉。D 删除训练数据不现实也无必要，还会损害模型能力，故排除。

Q10. 在知识图谱的图结构中，“节点”通常代表什么？

单选题 · easy

  • A.一个独立文档
  • B.一个真实实体← 正确答案
  • C.一个文本向量
  • D.一个隐藏神经元

答案：B。知识图谱的节点对应实体（人、地点、组织、物品等），边对应关系，正如卡片柜里的名片和红绳。A 文档是 RAG 的检索单位，C 向量是嵌入表示，D 是神经网络组件，都与图谱节点定义不符。