技术深度解析
图与LLM的融合是一项架构挑战，而非简单的API调用。核心的技术问题是：集成发生在何处？我们观察到三种主要范式正在兴起，每种都有其独特的权衡。
1. 图作为增强语境（基于图的检索增强生成 - Graph RAG）： 这是最常见的切入点。在此，知识图谱充当一个精密的、结构化的检索系统。用户查询被解析以识别实体，随后用于遍历图谱，检索的不仅是实体，还包括其连接的子图（相邻节点、关系类型）。这个子图通常被序列化为文本（例如，使用类似`(实体)-[关系]->(实体)`的线性化格式），并作为背景信息注入LLM的上下文窗口。LLM随后基于此结构化语境生成回答。此处的关键创新在于检索和序列化逻辑。LangChain和LlamaIndex等项目已构建了支持此功能的框架，后者的`KnowledgeGraphIndex`便是一个突出例子。其局限性在于上下文窗口大小；大型子图会被截断。
2. 图感知微调与架构融合： 这种方法走得更深，通过修改模型本身使其具备图原生能力。一种方法是在与图结构共同训练或明确引用图结构的文本上对LLM进行微调，以提升其对关系的潜在理解。更为激进的是，研究人员正在设计图神经网络与Transformer层交错融合的架构。一项标志性的学术努力是GraphGPT GitHub仓库，它探索了将LLM表征与图嵌入对齐的方法，使模型能够“理解”节点和边的语义。另一个例子是HuggingFace的Graphormer，它将结构编码引入Transformer的注意力机制，以直接处理图数据。理论上，这些模型可以在内部基于图结构进行推理，而不仅仅是将其作为检索到的语境。
3. LLM作为图构建器与推理器（文本到图）： 这逆转了动态关系，利用LLM的语言能力来构建和丰富图。LLM充当解析器，从非结构化文本中提取实体和关系，以填充或更新知识图谱。它还可以作为现有图谱之上的概率推理器，推断缺失的链接（链接预测），或通过对路径进行链式推理来推导新事实（例如，“如果A供应B，且B是C的一部分，则A间接支持C”）。
| 集成范式 | 主要优势 | 关键局限 | 最佳适用场景 |
|---|---|---|---|
| 图作为增强语境 | 简单，可利用现有LLM | 上下文窗口瓶颈，静态推理 | 企业问答，事实基础 |
| 架构融合（GNN+LLM） | 深度结构理解，动态推理 | 训练成本高，架构复杂 | 科学发现，复杂模拟 |
| LLM作为图构建器 | 解锁非结构化数据，持续学习 | 提取错误的传播，噪声 | 知识图谱构建，数据集成 |
核心洞察： 范式选择代表了实现复杂性与推理深度之间经典的工程权衡。“图作为语境”模型因其实用性主导着当前的生产系统，而架构融合则代表了高潜力、高风险的研究前沿。
关键参与者与案例研究
竞争格局正分化为赋能者（基础设施/工具）和应用者（垂直解决方案）。
基础设施与工具领导者：
* Neo4j： 这家图数据库领导者积极地将自身定位为“GraphRAG”平台。其Neo4j Aura云服务和集成库为开发者提供了将LLM基于原生图数据库的便捷路径。其合作战略侧重于将其技术嵌入AI智能体技术栈。
* TigerGraph： 与Neo4j直接竞争，TigerGraph强调其处理海量分布式图和执行实时分析的能力。其GSQL语言和ML工作流正被调整以与LLM提示词无缝协作，目标是在欺诈检测和供应链等领域进行大规模企业部署。
* LangChain/LlamaIndex： 这些智能体框架已成为事实上的中间件。LlamaIndex的`KnowledgeGraphIndex`和LangChain的`GraphCypherQAChain`是开发者原型化图-LLM应用的标准工具，抽象掉了图查询和语境构建的复杂性。
应用解决方案与垂直领域先驱：
* BloombergGPT与金融： 虽然并非纯粹的图产品，但Bloomberg的LLM是一个在结构化、互联的语料库（金融新闻、SEC文件、天生具有关系属性的彭博终端数据）上进行领域特定训练的典范案例。其成功暗示了在此类数据上训练的模型的威力。