本文系统综述大语言模型如何重塑知识图谱构建全流程，涵盖本体工程、知识抽取与融合三大环节，揭示从静态规则到动态生成的范式跃迁，并展望多模态、可推理、自进化的知识系统未来。
最近，一篇来自西安电子科技大学的重磅综述论文《大语言模型赋能的知识图谱构建：综述》彻底刷新了我们对知识系统的认知！这篇论文系统梳理了大语言模型（LLM）如何彻底改变知识图谱（KG）的构建方式，从过去死板的“人工搭架子”，变成今天灵活的“语言自动造世界”。
先说说作者背景。这篇论文的第一作者边浩楠来自西安电子科技大学，这所学校在人工智能、自然语言处理和知识工程领域一直有深厚积累。而这篇综述的背后，其实是整个学术界对“大语言模型+知识图谱”融合趋势的集体洞察——它不只是技术堆砌，更是一场认知范式的迁移。
传统知识图谱是怎么建的？
简单说，就是三步走：先设计“知识骨架”（本体工程），再从文本里“挖事实”（知识抽取），最后把不同来源的知识“拼起来”（知识融合）。
听起来很科学，但问题一大堆：专家太累、规则太死、错误会累积、跨领域根本玩不转。
一句话：费时费力还不智能。
但大语言模型一上场，整个游戏规则就变了！LLM不再只是“读文字的工具”，而是变成了“会思考的知识建筑师”。它能直接从一段话里自动提炼出结构化知识，还能理解不同说法背后的同一个意思，甚至能边建图谱边优化自己的“知识框架”。这就像一个超级实习生，不仅能干活，还能自己写说明书！
整个构建流程现在分两大流派：一种叫“有结构引导”，强调规范、一致、可解释；另一种叫“无结构自由发挥”，主打灵活、开放、能发现新知识。这两种不是对立，而是互补，共同构成了今天LLM驱动知识图谱的全景图。
先看“本体工程”——也就是知识图谱的骨架怎么搭。
过去全靠专家手动写，现在LLM能当“智能助手”。比如，你只要问它几个关键问题（学术上叫“能力问题”），它就能自动生成一套符合逻辑的本体结构，甚至输出标准的OWL格式代码！像Ontogenia这样的系统，还能自我反思、自我修正，生成的本体质量已经接近初级人类建模师水平。更厉害的是，有些系统直接从原始文本出发，自动归纳出概念层级和关系网络，连问题都不用你问！
而另一条路线更颠覆：知识图谱不再是给人看的，而是给大模型用的！在RAG（检索增强生成）这类系统里，图谱成了大模型的“外部记忆体”。
于是，构建方式也变了：先从海量文本里提取实例，再自动聚类、抽象出本体。像GraphRAG、OntoRAG这些框架，就是走这条路。它们不追求形式上的完美，而是强调“能用、能更新、能支撑推理”。
这种“为模型而生”的图谱，才是真正活的知识系统。
再来看“知识抽取”——怎么从杂乱文本里挖出三元组（主体-关系-客体）。传统方法要么靠人工写规则，要么靠标注数据训练模型，泛化能力差得要命。现在，LLM用两种方式破局：
第一种是“有结构引导抽取”。比如KARMA系统，用多个智能体分工合作，严格按照本体约束来提取，保证结果精准。更聪明的是ODKE+，它会动态选择本体中的“片段”来构造提示词，实现局部灵活、整体一致。而像AutoSchemaKG和AdaKGC这样的新框架，干脆让本体和抽取过程一起进化——边抽边学，越用越聪明！
第二种是“无结构自由抽取”。代表作是ChatIE，它把抽取变成一场和模型的对话：先问“这段话里有哪些实体？”，再问“它们之间有什么关系？”，一步步引导模型输出结构化结果。还有AutoRE，通过指令微调让模型自己学会关系模式；KGGEN则拆成两步走，先抽实体再抽关系，大大降低出错率。最开放的是OIE（开放信息抽取），它不管预设关系，直接把文本里所有可能的三元组都挖出来，再后续整理。这种“先广撒网、再精加工”的思路，特别适合探索未知领域。
最后是“知识融合”——怎么把来自不同来源的知识拼成一张图。这里LLM也大显身手，分三个层面发力：
在“本体层融合”，早期靠人工本体做全局约束，后来用向量聚类自动合并相似概念，现在更进一步：让LLM给每个概念写一段自然语言定义，再比对语义相似度，实现高精度对齐。比如EDC框架就这么干，效果杠杠的！
在“实例层融合”，核心是解决“同一个东西不同叫法”的问题。过去靠字符串匹配或图结构对齐，现在LLM直接上场做“语义裁判”。像EntGPT，先生成候选实体，再用多轮推理选出最匹配的那个；LLM-Align则把对齐变成选择题，大幅提升准确率。还有系统结合图谱结构和检索增强，连没见过的实体都能精准消歧！
更牛的是“混合融合框架”，比如Graphusion，它把本体对齐、实体融合、冲突消解全塞进一个提示词里，让LLM一次性搞定。KARMA则用多智能体协作，全局统筹，保证大规模图谱的一致性。这已经不是工具了，而是完整的“知识自治系统”！
展望未来，这场融合才刚刚开始！
第一个方向是“用知识图谱增强大模型推理”：让LLM不再瞎猜，而是沿着图谱路径一步步推，结果更可靠、更可解释。
第二个方向是“动态知识记忆”：把图谱变成智能体的长期记忆，支持持续学习和自我反思。
第三个方向是“多模态知识图谱”：把图片、音频、视频统统纳入知识体系，实现跨模态理解。
最后，知识图谱的角色也在升级：它不只是RAG的检索库，更是大模型的“认知中间层”，支撑规划、决策、解释等高级能力。
总之，大语言模型正在把知识图谱从“静态数据库”变成“活的认知器官”。这场变革的核心，不是技术炫技，而是让机器真正拥有“结构化理解世界”的能力。未来属于那些能把语言的灵活性和知识的严谨性完美结合的系统。