> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/enterprise-knowledge-graph-pilot-scenarios.md).

# 企业知识图谱怎么用？2027年先排场景再选第一个试点

本文整理自 Duaer 文档站，讨论企业知识图谱落地时如何先选对业务场景，再挑选第一个试点，并给出评估效果和本周可执行的动作。

## 企业知识图谱常见的几类典型场景

很多企业这两年都听说过知识图谱，也大多认同它能把分散在各个系统里的人、物、合同和事件串起来。但真正动手时，团队常卡在两件事上：不知道图谱该先覆盖哪些业务，建完之后没人愿意用。问题通常不在技术选型，而在一开始就没有选对场景。

从落地情况看，企业里值得考虑的场景大致可以分为几类。第一类是客户与合同关系，把客户、合同、产品、服务工单和回款记录关联起来，销售和客服能在一次查询里看到完整的客户全貌。第二类是供应链与供应商关系，识别供应商之间的股权关联、共用的上游原料，以及某个零部件变更会影响哪些订单。第三类是制造工艺与设备故障，把工艺参数、设备台账和历史故障案例连成网络，帮助工程师追溯问题根源。制造企业在这一类上的具体做法可以参考《[工艺知识图谱构建怎么做？2027年制造企业先治三类数据](https://doc.duaer.com/zh/guides/process-knowledge-graph-construction/)》。第四类是合规与法规条款，把合同条款、内部制度和外部法规对应起来，法务检查时能快速定位冲突。第五类是研发与技术知识沉淀，把专利、技术文档、测试报告和问题记录关联，减少重复研发。

每个场景都要回答两个问题：数据从哪里来，以及业务人员最终想问什么问题。如果说不清这两点，场景就还停留在概念层面。

## 按价值与难度给场景排序

排序时可以用一个简单的二维判断。价值看三点：能否减少重复查找，能否缩短跨部门的决策链路，结果是否直接影响收入、成本或风险。难度看三点：涉及多少个数据源，同一个实体（比如客户名、物料编码）能否统一对齐，以及是否有明确的业务负责人愿意每天使用。

按这个标准，四个象限的含义大致如下。价值高、难度低的场景是最适合先做的，比如客户与合同关系，数据集中在少数几个系统，客户编码通常已经存在，容易对齐。价值高、难度高的场景可以放在第二阶段，比如全链路供应链图谱，需要打通多个系统和大量外部数据。价值低、难度低的场景可以顺手做，但不宜投入太多资源。价值低、难度高的场景应当暂缓，比如为了好看而建的企业全景图。

## 怎么选第一个试点

第一个试点不要追求全公司统一的本体模型。更稳妥的做法是挑一个边界清晰的问题，比如「某客户近一年所有合同、未结工单和应收款是什么」。这类问题可以用三到五个数据源回答，结果也很容易验证。

选定之后，先画一张最小关系图，只包含五类左右的实体和六种左右的关系，再用真实问题反推需要哪些字段。在这一步，一个可操作的做法是把业务人员过去一个月真实问过的问题整理出来，逐条标注需要哪些实体、哪些关系。这份清单会直接决定图谱的结构，比任何通用模板都可靠。如果你希望把从场景清单到试点方案的整个过程直接跑起来，可以在 Duaer（https://www.duaer.com）里按这个思路梳理场景与数据的对应关系，它适合帮你把流程固定下来，但场景的判断仍然需要业务负责人来做。

## 三个常见误区

第一个误区是先建全公司本体，再找场景。这种做法周期长，中间很难拿到业务反馈，等模型完成时业务需求可能已经变了。第二个误区是把知识图谱当成知识库的升级版，想用它替代所有文档检索。实际上两者分工不同：图谱擅长处理实体之间的关系和约束，文档检索擅长处理长文本。如果你的企业已经在做知识库问答，可以先参考《[企业知识库AI怎么建才不白建？2027年避开三个常见坑](https://doc.duaer.com/zh/guides/enterprise-knowledge-base-ai/)》，再决定哪些问题该交给图谱。第三个误区是忽视实体对齐。同一个客户在三个系统里可能有三种写法，如果不做统一，图谱里就会出现三个互不相连的节点，查询结果看起来「缺了一半」，业务方很快会失去信任。

## 怎么衡量效果

衡量时不要只看节点数量或关系数量，这些指标很容易被做大而不解决问题。更有用的做法是准备一份测试问题集，比如三十个真实问题，记录图谱能够正确回答多少个，并对比原来人工查询所需的时间。此外还可以观察两个信号：业务人员每周是否真正在使用，以及数据错误是否被主动反馈和修复。如果使用的人越来越少，通常说明场景选得不对或者数据质量没有跟上。

## 本周可以做的一件事

本周可以只做一件事：把过去一个月业务团队反复问过的二十个问题列出来，逐条标注它们需要哪些系统的数据、涉及哪些实体、需要几步关联。然后挑出那个「数据源最少、实体最容易对齐、问的人最多」的问题，把它定为第一个试点。

如果你的团队已经有了候选场景，却不确定哪一个值得先做，欢迎到 https://www.duaer.com 注册试用，先把场景和数据梳理成一份可以讨论的草稿，再决定是否进入试点。

如果你手头已经有一个具体的业务问题，我们可以免费给你一份这个场景的落地路线。把你的场景告诉我们，我们会回复一份书面的落地路线。

https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

企业知识图谱的价值不在于图本身，而在于它能否回答业务真正关心的那几个问题，先把问题选对，图谱才会有人用。

## 常见问题

### 企业知识图谱应该先从哪个业务场景做起？

通常优先选择价值高、难度低的场景，例如客户与合同关系。判断标准是：能否减少重复查找、缩短跨部门决策链路，同时数据源少、实体容易统一对齐，并且有业务负责人愿意每天使用。

### 知识图谱和企业知识库有什么区别？

两者分工不同。知识图谱擅长处理实体之间的关系和约束，知识库和文档检索更适合处理长文本。企业可以先梳理哪些问题依赖关系推理，再决定哪些交给图谱，哪些继续交给文档检索。

### 如何判断知识图谱试点是否有效？

不要只看节点数或关系数，更实用的做法是准备一组真实业务问题（例如三十个），统计图谱正确回答的比例，并与人工查询耗时对比。同时观察业务人员是否持续使用，以及数据错误是否被主动反馈和修复。

