前阵子我把知乎和B站上关于知识图谱的讨论翻了一遍，发现一个特别有意思的场景：一边，知乎上“有了大语言模型后，知识图谱该何去何从？”这个问题的浏览量冲到了60万以上，评论区认真得近乎悲壮。知乎另一边，B站从春天到夏末，GraphRAG教程一个接一个地冒出来，其中一个“1小时讲透知识图谱”的教程，点赞280，收藏却有1289——收藏数接近点赞的5倍。B站
这意味着什么？觉得知识图谱凉了的人，和正在偷偷囤知识图谱课的人，可能是同一批网友。争议本身，比任何一方的答案都更值得看。
两拨人吵的，到底是什么
悲观派的牌很清晰。被引用最多的，是2023年6月的一段发言：“如果哪个同学做知识图谱，我认真跟你讲，你不要用知识图谱。我自己也做知识图谱20多年……你应该用Transformer。”说这话的人是陆奇。微博这句话在2026年又被反复翻出来，3月知乎上“如何看待陆奇说‘知识图谱真的不行’”的问题又讨论了一轮。做过项目的人则在补刀：7月有知乎答主直言，知识图谱RAG没有前景了，很多企业已经证明这条路走不通。知乎也有人把矛头对准教育行业，说曾经铺天盖地的“一套图谱解决所有教学问题”式宣传正在退潮。知乎最古老的论据则来自语义网的失败史：想法很好，但维护成本太高，没人愿意手动更新那张图。
乐观派拿的是另一套证据。6月底，Forrester发布研判报告，标题很直接：《没有知识图谱，你的AI智能体只能靠“猜”》。36氪知乎上一个高赞回答说得更尖锐：智能体时代的瓶颈不是模型大小，不是上下文长度，而是记忆——积累知识、有意义地组织知识、在正确时刻召回知识的能力。知乎工程侧还有真实的翻车案例：一个做电力值班辅助系统的团队，选型时觉得知识图谱又老又重，直接选了纯向量RAG，结果复盘时才发现多跳关系类的问题根本答不好。知乎
与此同时，8月的知乎上有人把GraphRAG、HippoRAG、HyperGraphRAG挨个实测，“企业知识库系列”写到了第四篇。知乎B站上，港大开源、被EMNLP 2025接收的LightRAG，教学视频一期接一期。B站学术界也没降温：第二十届全国知识图谱与语义计算大会（CCKS 2026）8月21-23日在西安如期召开，主题是“知识、记忆与认知推理”——每个词都对着大模型的短板。微博
其实两拨人说的不是同一个东西
把两边的论据摆在一起，我的结论是：这场争论之所以无解，是因为大家嘴里的“知识图谱”根本不是同一个东西。拆开看，它其实是三种职业资本：
第一种，传统手工建图。手动标三元组、标实体、写本体，靠人力堆出一张图。这部分确实在降温。陆奇2023年炮轰的，主要就是这条路线——效率低、不可控。更现实的是，这份工作本身正在被大模型替代：现在主流的GraphRAG流程，是让LLM自动从文档里抽实体和关系，纯靠人工录入的岗位只会越来越少。如果你对“学知识图谱”的印象还停留在背RDF、OWL，那凉的就是这一部分。
第二种，图谱作为大模型的基础设施。GraphRAG、LightRAG、企业知识库、智能体长期记忆——这才是现在真正热的方向。证据前面都列了：Forrester背书、纯向量方案翻车的真实案例、教程收藏量暴涨。连岗位名称都在悄悄改写：现在招人的写法是“GraphRAG工程师”“企业知识库工程师”，而不是五年前的“知识图谱工程师”。有意思的是，8月底微博上还有人分享“文本转知识图谱”的开源工具，评论区最高频的词是“省钱”——用本地模型跑建图，不烧API。微博当然，也有厂商喊出了“雪中送炭”论：以前学图谱是锦上添花，现在学图谱是雪中送炭。知乎这种带货话术建议打七折听，但升温本身是真实的。
第三种，行业图谱。医疗、工业、金融风控。这条路又长又稳，但门槛高：8月的讨论里，有人在认真问医疗图谱从哪建起，有人为工业本体的父子类划分纠结了两周，还有人在求金融风控的公开图数据集。需求是真的，但这些岗位要的是“行业背景+图谱技能”的组合，纯新手很难直接切入，更适合当第二曲线而不是第一份工作。
三类人，三种答案
第一类：已经学过知识图谱的人（碰过Neo4j、写过三元组、了解NLP）。别扔，转译。你的图建模能力在GraphRAG流水线里是稀缺品——大多数人只会跑demo，讲不清本体设计和实体对齐的区别。最便宜的转译路径：先用LightRAG跑通一个小语料，感受“LLM自动建图+图检索”的完整流程，一个周末就能上手；再用Neo4j做一个完整项目，把行业场景补进简历。另外，8月知乎上“RAG系统里用知识图谱还是向量数据库”的高关注问题，已经给出了可以直接带到选型会上的答案：不是二选一——多跳推理、强关系链、要溯源的场景适合图谱，通用问答向量就够了。知乎
第二类：准备入行的新人。别把“知识图谱工程师”当成唯一求职标签，把图谱当成RAG、智能体技能树里的一个模块来学。顺序建议：先打牢RAG基础，再用LightRAG跑一个小语料，然后学Neo4j和Cypher基础，最后做一个带行业场景的完整GraphRAG项目。两个坑提前避开：一是别为“知识图谱课程”掏大钱，社区已经在质疑这类培训的含金量，B站上免费的囤课量说明了一切。B站二是别把“三元组标注”当入门跳板，那是最容易被大模型替代的环节。
第三类：已经做大模型应用、完全不碰图谱的人。图谱不是必修课，但值得记住“什么时候不该用”。有个高赞回答把条件写得很清醒：没有专人维护知识图谱，图谱建了不维护，三个月后就跟你的文档脱节，这时候强行上GraphRAG只会增加复杂度，比没有图谱还糟糕。知乎数据量小且问题简单、没有专人维护、数据以非结构化文档为主——满足这些条件，老老实实用向量就好。
值得继续盯的几个信号
最后留几个可以持续跟踪的观察点。一是GraphRAG、LightRAG的版本迭代和社区横评，知乎上的“企业知识库系列”还在持续更新，是免费的实测数据库。二是企业级案例的正反两面：有人引用AWS的制药案例，说GraphRAG把药筛周期砍掉87%。知乎也有专门的文章逐条指出这个方案的三个硬伤。知乎这种“吹与黑”的对照，比任何单方宣传都更值得读。三是下一届CCKS的主题，如果“记忆”“认知推理”继续是关键词，说明图谱在大模型体系里的位置还稳。四是智能体产品什么时候开始卷长期记忆——那一天到来，图谱的需求还会再涨一波。
陆奇说“别做知识图谱”已经过去三年了。三年后的今天，这门技术没有消失，只是换了岗位：从“独立学科”变成了“大模型系统里的一个组件”。还在学旧课程的人确实会失望，但学新课程的人正在囤课。关键从来不是“要不要学”，而是“学的是哪个版本”。
你现在在学的是哪个版本？评论区聊聊。
