---
title: "企业知识图谱 | Siemens"
description: "Siemens 企业知识图谱软件连接孤立的数据，为 Graph RAG 提供支持，并将人工智能置于准确、可解释的环境中。"
language: "zh-CN"
locale: "zh-CN"
source_url: "https://www.siemens.com/zh-cn/solutions/data-analytics-artificial-intelligence/knowledge-graphs/"
url: "https://www.siemens.com/zh-cn/solutions/data-analytics-artificial-intelligence/knowledge-graphs/"
canonical: "https://www.siemens.com/zh-cn/solutions/data-analytics-artificial-intelligence/knowledge-graphs/"
image: "https://images.sw.cdn.siemens.com/siemens-disw-assets/public/2bIn97ZyUyuhO4Pe3nCCS5/en-US/knowledge-graph-og1200x630.jpg?auto=format%2Ccompress&amp;w=1200&amp;h=630&amp;fit=crop&amp;crop=faces%2Cedges&amp;q=60"
type: "website"
division: "DI SW PLM"
schema_type: "WebPage"
site_name: "Siemens"
fetched_at: "2026-11-13T04:39:52Z"
word_count: 235
reading_time_minutes: 1
links_count: 19
images_count: 10
status_code: 200
twitter_card: "summary_large_image"
---

## Structured Data (JSON-LD)

```json
{
  "@context": "https://schema.org",
  "@type": "WebPage",
  "name": "企业知识图谱",
  "url": "https://www.siemens.com/zh-cn/solutions/data-analytics-artificial-intelligence/knowledge-graphs/",
  "breadcrumb": {
    "@type": "BreadcrumbList",
    "itemListElement": [
      {
        "@type": "ListItem",
        "position": 1,
        "item": {
          "name": "",
          "@id": "https://www.siemens.com/zh-cn/"
        }
      },
      {
        "@type": "ListItem",
        "position": 2,
        "item": {
          "name": "Solutions",
          "@id": "https://www.siemens.com/zh-cn/solutions/"
        }
      },
      {
        "@type": "ListItem",
        "position": 3,
        "item": {
          "name": "数据和 AI 解决方案",
          "@id": "https://www.siemens.com/zh-cn/solutions/data-analytics-artificial-intelligence/"
        }
      },
      {
        "@type": "ListItem",
        "position": 4,
        "item": {
          "name": "企业知识图谱",
          "@id": "https://www.siemens.com/zh-cn/solutions/data-analytics-artificial-intelligence/knowledge-graphs/"
        }
      }
    ]
  },
  "producer": {
    "@type": "Organization",
    "name": "Siemens"
  },
  "publisher": {
    "@type": "Organization",
    "name": "Siemens"
  },
  "maintainer": {
    "@type": "Organization",
    "name": "Siemens",
    "department": [
      {
        "@type": "Organization",
        "name": "DI SW PLM"
      }
    ]
  }
}
```

企业知识图谱 | Siemens

此页面采用自动翻译显示。 [改为用英语查看？](/en-us/solutions/data-analytics-artificial-intelligence/knowledge-graphs/)

![](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/64Cu4yNk11Ln8wNUcYhkcY/en-US/knowledge-graph-hero-2560x1440.jpg?auto=format%2Ccompress&w=2560&h=1440&fit=crop&crop=faces%2Cedges&q=60)

**数据和 AI 解决方案**

# 企业知识图谱

知识图谱将整个数据环境中的实体、关系和背景联系起来，用单一的可信基础取代了分散的孤岛。大规模构建、丰富和查询它们，为 AI 代理提供推理和行动所需的背景信息。

[查看解决方案](/zh-cn/solutions/data-analytics-artificial-intelligence/knowledge-graphs/#11QoYGTrdPBsDDhMeIbUe2)

## 什么是知识图谱？

### 知识图谱的工作原理

知识图谱捕获数据并将其表示为相互关联的图形，通过保留不同数据源和格式的含义和关系的细微差别，将原始信息转化为情境知识。知识图谱的核心是建立在本体论之上的，本体论是一种结构化框架，通过共享词汇定义领域概念、规则和关系。这使得知识易于获取、一致，随时可以进行进一步分析并与其他应用程序集成。知识图谱本质上也是动态的，会随着新信息的出现而不断变化，从而确保您组织的知识保持最新状态并保持联系。对于企业而言，结果是数据结构：一个丰富、灵活、机器可读的层，涵盖整个数据基础架构，从以前孤立或断开的数据中释放出更大的价值。

### 知识图谱的关键组成部分

知识图谱由三个基础构件构建，它们共同构成了丰富的、相互关联的数据画面：

* 节点（实体）：对您的业务至关重要的事物，例如客户、产品、供应商、资产或事件。每个节点代表一个现实世界的概念或对象。
* 属性：描述每个实体的属性和详细信息，例如客户的位置、产品类别或资产的状态。属性为每个节点增加了深度和意义。
* 关系：实体之间的联系揭示了所有事物是如何相互关联的。关系是将孤立的数据点转化为可操作的情报的关键。

这些组件共同创建了组织知识的可查询动态地图，使人工智能和分析工具能够以更高的准确性和信任度对互联数据进行推理。

## 知识图谱如何为 AI 和企业智能提供动力

### 利用情境数据提高 AI 准确性

生成式 AI 的优点取决于其背后的背景。在没有基础的情况下，LLM 产生的输出可能合理但不准确或与您的实际业务数据脱节。知识图谱通过描述、情境化和关联整个企业中的数据来解决这个问题，为 AI 模型提供了准确推理、减少幻觉并将答案追溯到经过验证的来源所需的语义基础。这使人工智能代理能够超越模式识别，转向真正扎实的智能决策。

### 为企业 AI 启用 graph RAG

高级管理人员需要答案，而不是仪表板。将复杂的业务问题转化为完整、准确和可操作的结果的能力至关重要，而这正是Graph RAG所提供的。

检索增强生成 (RAG) 将生成式 AI 模型的参考框架限制为经过审查的真实信息。Graph RAG将响应建立在知识图谱的丰富上下文信息基础上，从而进一步推动了这一点，从而减少了幻觉，提高了精度，并同时处理结构化和非结构化数据源。

正确实施的知识图谱使人工智能系统能够：

* 解释答案并引用来源 — 在 AI 驱动的决策中建立信任和透明度
* 保持最新状态 — 让 LLM 与最新的企业数据保持一致
* 为整个企业的非技术用户提供清晰、可操作的输出

### 连接数据以获得企业级情报

大多数组织都不存在数据短缺——他们存在碎片化问题。知识图谱通过为所有企业数据资产提供通用的语义模型，将来自不同来源的结构化和非结构化数据集成到统一的可查询图中来解决这个问题。结果是一个灵活的数据结构，它消除了孤岛，支持自助消费，并确保每个 AI 工具、分析师和决策者都在相同的互联现实背景下工作。

**复杂的企业数据**

## 在没有上下文或可扩展性的情况下管理复杂数据

企业面临着做出更快、更好决策的压力。但是，大多数数据决策都需要跨域见解。即使所有数据合而为一，数据湖仍可能难以解决跨域问题。

### 跨系统的数据孤岛

您的数据平台存储数据。他们不把它联系起来，也不明白它的关系。如果跨域问题得到解答，则需要数周的自定义开发才能回答。

### 会产生幻觉且无法推理的人工智能代理

LLM 的优点取决于给出的背景信息。如果没有共享的语义层，AI 代理在自己的域外就会失明。它们产生幻觉，相互矛盾，无法回答跨越系统边界的问题。

### 绘制试点后停滞的项目

大多数图形数据库试点都会成功，然后停滞不前。处理概念验证的软件成为企业的天花板。当项目停滞不前时，团队就会被锁定在一个无法扩展的工具中。

### 能提供信息但从不采取行动的人工智能

当人工智能只能在单个领域内显示见解时，它可以提供信息，但不能采取行动。真正的代理人工智能需要跨域内容和同时跨域推理的能力。

### 每次发生变化时 ETL 管道都会中断

传统的 ETL-to-Graph 方法适用于点解决方案。在企业规模上，每一个新的数据源都意味着新的管道，每一次架构变更都会打破现有管道，本体论的演变意味着从头开始重建。

### 领域知识被困在数据层之外

领域逻辑、语义关系和业务规则存在于专家的脑海中，而不是你的数据层。将它们编码为正式的、可查询的本体，可供所有代理和系统使用。

## 从混乱到清晰

企业知识图谱如何构建 AI 上下文层，将断开连接的数据转化为现实世界的影响。

[了解为什么 AI 代理需要知识图谱](https://blogs.sw.siemens.com/rapidminer/ai-context-layer-knowledge-graph/)

![企业知识图谱工作流程将原始数据源与人工智能驱动的见解和切实可行的决策联系起来。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/4qPAmMDxZZvMAxq2sEVESQ/en-US/knowledge-graph-infographic-1280x720.jpg?auto=format%2Ccompress&w=1280&h=720&fit=crop&crop=faces%2Cedges&q=60)

**Software 功能**

## 探索企业知识图谱技术

[

![该仪表板具有可视化相互关联数据的 “本体知识图谱”，以及提供工程变更单（ECO）分析的 “AI Fabric Agent”。该代理强调了与ECO相关的高失败率，指出许多关键变更尚待完成，并就这些变化对质量的影响提供了 “行政总结”。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/2Vkn78WE6ljLtpqJBS5xV/en-US/graph_studio_product_page_image.png?auto=format%2Ccompress&w=640&h=360&fit=crop&crop=faces%2Cedges&q=60)

**企业规模的背景**

### Rapidminer Graph Studio

在现有数据（Databricks、Snowflake、Fabric 或 AWS）上构建和管理企业级语义叠加层。跨域本体论、内存中 MPP 查询和代理 AI 上下文。没有数据移动。

](/zh-cn/products/rapidminer/graph-studio/)

[

![这张照片显示了双手在笔记本电脑键盘上打字的特写镜头，一只手腕上可以看到手表，这表明要集中精力工作或沟通。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/eGzKuJWAsOtkF9xXDXRIL/en-US/knowledge-graph-rapidminer-typing-as366449904-original-4096x2160.jpeg?auto=format%2Ccompress&w=640&h=360&fit=crop&crop=faces%2Cedges&q=60)

**将数据与业务环境联系起来**

### Rapidminer

利用 Rapidminer 的产品组合来统一数据准备、机器学习、知识图谱、GenAI 和代理人工智能。

](/zh-cn/products/rapidminer/)

**让 AI 发挥作用的背景**

## 知识图谱如何传递企业价值

大多数企业都有数据。很少有人有背景。企业知识图谱对数据如何跨域、每个系统进行连接进行编码，因此您的 AI 代理可以推理，而不仅仅是检索。

![两名年轻的专业人士，一名女性和一名男性，在一张木桌旁进行了合作讨论。那个女人拿着一台平板电脑，男人在他面前打开了一台笔记本电脑，暗示着工作或学习的环境。他们都在微笑，互相看着对方，这表明了一种积极的互动交流。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/2VruxXApFSS32Ly8kbcCL/en-US/knowledge-graph-benefit-connect-data-across-every-domain-as616895139-original-7952x5304.jpeg?auto=format%2Ccompress&w=640&h=360&fit=crop&crop=faces%2Cedges&q=60)

### 连接每个域中的数据

您的系统（例如 ERP、PLM、MES 和供应链）之间的关系变得明确且可遍历。每个问题没有自定义 ETL。每次加入都不需要开发者。

![这张照片捕捉了双手在笔记本电脑键盘上打字的特写镜头，模糊的背景暗示着咖啡杯和窗户，表示正在集中精力工作或学习。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/2edWCotLnzRKkPeTFKCyEP/en-US/commissioning-typing-as456933165-mhero-1280x720.jpg?auto=format%2Ccompress&w=640&h=360&fit=crop&crop=faces%2Cedges&q=60)

### 企业规模的查询性能

内存中 MPP 引擎可在几秒钟内处理数十亿个三元组。在数据平台上花费数小时的复杂临时跨域查询在知识图谱中需要几秒钟。

![这张照片显示一名男子在办公桌前愉快地使用笔记本电脑，附近有咖啡杯、电话和植物，这表明这是一个富有成效和积极的工作环境。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/7mz2lA0n9MwWSAL9hmRhyt/en-US/knowledge-graph-ground-ai-agents-in-trusted-context-as499358428-original-8056x5371.jpeg?auto=format%2Ccompress&w=640&h=360&fit=crop&crop=faces%2Cedges&q=60)

### 将人工智能代理置于可信环境中

AI 代理在图表中查询事实，而不是猜测。每个答案都可以追溯到源数据。本体论为代理提供了地图——更少的迭代、更少的代币、更低的成本。

![这张照片描绘了两个身着商务服装的人坐在桌子旁，一个人拿着笔，向剪贴板打手势，建议讨论、面试或谈判。](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/1PMBeZLswB5YjrA7FEIPpd/en-US/knowledge-graph-govern-knowledge-across-the-business-as204312147-original-3917x2611.jpeg?auto=format%2Ccompress&w=640&h=360&fit=crop&crop=faces%2Cedges&q=60)

### 管理整个企业的知识

内置的数据谱系、基于角色的访问控制和审计跟踪使每项决策均可追溯且符合政策，为受监管行业提供了人工智能部署所需的治理基础。

**探索更多解决方案**

### 探索企业 AI 和数据分析

各组织面临着持续的颠覆、不断提高的期望以及在有限的投入下实现产出最大化的持续挑战。统一数据、简化流程并调整决策，为每一项见解注入真正可信、可操作的情报所需的背景信息。

[了解更多信息](https://www.siemens.com/en-us/solutions/data-analytics-artificial-intelligence/)

![siemens-sw-ad-tech-clarity-psdm-improving-ips-with-plm-ebk-hero-1280x720.jpg](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/5XJS0httJSX7rPZWnXrINy/en-US/siemens-sw-ad-tech-clarity-psdm-improving-ips-with-plm-ebk-hero-1280x720.jpg?auto=format%2Ccompress&w=640&h=480&fit=crop&crop=faces%2Cedges&q=60)

**企业知识图谱见解**

### 企业知识图谱加速数据科学

减少减缓企业数据科学的瓶颈，从耗时的数据准备到将模型投入生产的挑战。

[立即下载](https://resources.sw.siemens.com/en-US/white-paper-four-ways-knowledge-graphs-accelerate-data-science-for-the-enterprise/)

![西门子 sw-all-wp-四种方式知识图加速企业数据科学1280x720](https://images.sw.cdn.siemens.com/siemens-disw-assets/public/5Q5CIG9qknsJhV3MBMKWYc/en-US/siemens-sw-all-wp-four-ways-knowledge-graphs-accelerate-data-science-for-the-enterprise-1280x720.jpg?auto=format%2Ccompress&w=640&h=480&fit=crop&crop=faces%2Cedges&q=60)

**相关技术**

## 探索相关解决方案

### 数据转换

通过连接几乎任何数据源并处理各种格式（如 PDF 和 Excel 电子表格）来简化数据转换。使用直观的工作流程和自动化来生成可靠的数据集。

[探索产品](/zh-cn/products/rapidminer/data-transformation/#3EWgZ8YmPv8Myu46s3Lz05)

### 制造业分析

简化运营，增强预测性维护并收集实时见解。团队可以推动创新并加速其智能制造转型。

[探索产品](/zh-cn/products/rapidminer/manufacturing-analytics-software/#57u4iFYJTCWzsItekTlgIi)

### 为什么要迁移 SAS 语言环境？

降低成本并维护您现有的 SAS 代码库。使用 SAS、Python 和/或 R 开发新模型。使用可视化工作流程无需编写任何代码即可构建模型。

[查看解决方案](/zh-cn/solutions/data-analytics-artificial-intelligence/sas-language-modernization/#5kBoHnOj7tsRMQXWdtcX6Z)

### 智能体 AI

探索自动执行任务、从数据中学习和实时交互的 AI 代理，提供个性化支持和数据驱动决策。

[探索 Rapidminer AI Studio](/zh-cn/products/rapidminer/ai-studio/)

## 常见问题解答

### 联系我们