TrustGraph 详解：把知识图谱、Ontology、GraphRAG 和 AI Agent 串成一套系统

如果说普通 RAG 是“帮 AI 找资料”那么 TrustGraph 更想做的事情是给 AI Agent 建立一层统一、结构化、可追踪的上下文。项目名称TrustGraphGitHubhttps://github.com/trustgraph-ai/trustgraph官网https://trustgraph.ai/一、TrustGraph 是什么TrustGraph 是一个开源的 AI Context / Knowledge Graph 基础设施项目。它现在给自己的定位是The Context Interoperability Layer for Agentic AI翻译一下面向 Agentic AI 的上下文互操作层。这个名字看起来有点抽象。我们先用最简单的方式理解。传统 AI 应用用户 ↓ LLM ↓ 回答后来有了 RAG用户 ↓ Vector Search ↓ Documents ↓ LLM ↓ 回答再后来有了 GraphRAG用户 ↓ Vector Search ↓ Knowledge Graph ↓ Graph Traversal ↓ LLM ↓ 回答而 TrustGraph 想进一步做成AI Agent | ↓ Context Layer | ┌────────────────────────┐ | | ↓ ↓ Knowledge Graph Vector Search | | └───────────┬────────────┘ ↓ Ontology ↓ ┌─────────────┼─────────────┐ ↓ ↓ ↓ Documents Database APIs也就是说把企业里的各种数据统一整理成 AI 能理解的 Context。二、为什么普通 RAG 不够先看普通 RAG。假设公司里有 10 万份文档合同 产品文档 会议纪要 用户反馈 财务报告 技术文档传统方法Document ↓ Chunk ↓ Embedding ↓ Vector Database用户问A 客户现在使用哪个产品系统问题 ↓ Embedding ↓ Vector Search ↓ 找到几个 Chunk ↓ LLM这种方式最大的优点简单。但是问题也很多。三、第一个问题Chunk 之间没有关系例如文档 A阿里巴巴购买了产品 X。文档 B产品 X 使用 PostgreSQL。文档 CPostgreSQL 数据库部署在服务器 Server-01。用户问阿里巴巴使用的数据库部署在哪台服务器这个问题需要Alibaba ↓ Product X ↓ PostgreSQL ↓ Server-01至少三跳关系。普通 Vector RAG 很可能只找到Alibaba → Product X或者PostgreSQL → Server-01但是它不一定知道这三件事情其实属于同一条关系链。四、Knowledge Graph 就开始发挥作用了如果把这些知识变成图Alibaba | | purchased ↓ Product X | | uses ↓ PostgreSQL | | deployedOn ↓ Server-01现在问题Alibaba 使用的数据库在哪台服务器就可以沿着图Alibaba ↓ Product ↓ Database ↓ Server一路查询。这就是Multi-Hop Reasoning。也就是多跳推理。五、TrustGraph 的 GraphRAGTrustGraph 一个很重要的能力就是GraphRAG它并不是完全放弃 Vector Search。而是把Vector Search Knowledge Graph组合起来。整个流程大概是Document ↓ Chunking ↓ Entity Extraction ↓ Relationship Extraction ↓ Embedding ↓ Knowledge Graph查询Question ↓ Vector Search ↓ 找到相关 Entity ↓ Graph Traversal ↓ 找到相关子图 ↓ Subgraph Context ↓ LLM ↓ Answer这比问题 ↓ 找几个 Chunk多了一层关系理解。六、举一个更具体的例子假设有三份文档。第一份王仕宇创建了 JavaPub。第二份JavaPub 主要发布 AI 和编程相关内容。第三份AI 编程课程属于 JavaPub 的内容体系。普通 RAGDocument 1 Document 2 Document 3三个 Chunk。TrustGraph王仕宇 | | created ↓ JavaPub | | publishes ↓ AI / 编程内容 | | includes ↓ AI 编程课程于是用户问王仕宇创建的品牌主要有哪些 AI 内容GraphRAG 可以沿着关系找到答案。这就是Graph RAG七、TrustGraph 还有一个更重要的能力Ontology RAG如果只是自动抽取知识图谱会出现一个问题LLM 想抽什么就抽什么。例如Apple到底是什么可能是Company Fruit Product Brand再例如Java可能是ProgrammingLanguage Island Coffee如果没有统一 Schema不同文档可能抽出完全不同的结构。八、Ontology 解决什么问题Ontology 解决的是世界里有什么以及这些东西之间可以有什么关系。例如企业系统Customer Product Order Employee Company定义关系Customer | | purchases ↓ Product再定义Employee | | worksFor ↓ Company于是Customer不能随便worksFor Product因为这不符合 Ontology。九、TrustGraph 支持 Ontology RAGTrustGraph 可以使用 OWL Ontology 指导知识抽取。流程Document ↓ Chunk ↓ Ontology ↓ LLM Extraction ↓ Typed Entity ↓ Typed Relationship ↓ Knowledge Graph ↓ GraphRAG这比普通 GraphRAG 多了一步Ontology Constraint什么意思普通 GraphRAGLLM 我觉得这是一个实体。Ontology RAGOntology 允许的实体类型 Customer Order Product SupplierLLM那我按照这些类型抽。十、举一个电商 Ontology比如我们定义Customer Order Product Supplier Payment关系Customer | | places ↓ Order Order | | contains ↓ Product Product | | suppliedBy ↓ Supplier Order | | paidBy ↓ Payment现在给 AI 一份文档王先生在 8 月 10 日购买了 MacBook 订单由 Apple Store 提供 使用支付宝完成付款。TrustGraph 可以按照 Ontology 抽取Customer: 王先生 Product: MacBook Supplier: Apple Store Payment: 支付宝建立王先生 ↓ places Order-001 ↓ contains MacBook ↓ suppliedBy Apple Store以及Order-001 ↓ paidBy 支付宝这就变成了一套真正可查询的业务知识。十一、Ontology RAG 和普通 GraphRAG 有什么区别可以直接看能力RAGGraphRAGOntology RAGVector Search✅✅✅Knowledge Graph❌✅✅Relationship❌✅✅Multi-Hop弱强强Schema❌❌✅类型约束❌❌✅OWL❌❌✅可以简单理解RAG ↓ 找内容GraphRAG找内容 找关系Ontology RAG找内容 找关系 理解关系的业务含义十二、为什么 Ontology 对企业 Agent 特别重要假设一个企业数据库里面有客户 合同 订单 员工 供应商 项目 资产如果没有统一语义CRM 叫customerERP 叫client财务系统可能叫payer实际上可能都是CustomerOntology 可以把customer client payer统一到Customer这就是Semantic Layer。十三、TrustGraph 想做的其实就是 Context Layer这个概念很重要。现在 AI 领域越来越多人讨论Context Engineering以前我们关心Prompt Engineering也就是Prompt 怎么写现在越来越多系统开始关心到底应该给模型什么 Context因为模型本身已经越来越强。真正影响 AI 输出的往往变成Context例如哪些文档 哪些实体 哪些关系 哪些历史 哪些权限 哪些业务规则TrustGraph 就想解决这件事情。十四、Context GraphTrustGraph 现在非常强调Context Graph可以简单理解为 AI Agent 服务的知识图谱。传统知识图谱更多是存知识Context Graph 更强调给 Agent 提供正确上下文例如Agent ↓ Context Graph ┌──────────┼──────────┐ ↓ ↓ ↓ User Order Contract ↓ ↓ ↓ Role Product PolicyAgent 不需要一次读取100 万条数据而是从图中选择当前问题真正需要的 Context十五、TrustGraph 为什么开始强调 HypergraphTrustGraph 现在还在强调一个概念Hypergraph传统 Knowledge Graph 通常A → B也就是二元关系。例如User ↓ purchased ↓ Product但是企业业务往往更加复杂。比如张三 在 2026 年 8 月 1 日 通过支付宝 以 9999 元 购买 MacBook 订单属于 JavaPub 公司这其实涉及Person Time Payment Amount Product Company很多实体。如果只用A → B表达起来会越来越复杂。十六、Hypergraph 是什么Hypergraph 可以理解成一条关系可以连接多个对象。传统 GraphA ─── BHypergraphA | ┌─────┼─────┐ ↓ ↓ ↓ B C D比如一次采购事件Purchase Event ┌────────┼─────────┬────────┐ ↓ ↓ ↓ ↓ User Product Payment Time整个Purchase Event可以作为一个完整 Context。这对 AI Agent 很有价值。十七、TrustGraph 的数据处理流程我们可以把整个流程简化为Raw Data | ┌────────┼─────────┐ ↓ ↓ ↓ PDF Wiki Database \ | / Ingestion ↓ Chunking ↓ LLM ↓ Entity / Relationship Extraction ↓ Ontology Mapping ↓ Knowledge Graph ↓ Vector Index ↓ GraphRAG ↓ AI Agent十八、TrustGraph 可以处理哪些数据典型包括PDF Text 企业文档 Wiki API 数据 数据库数据 结构化信息系统会把这些原始信息Unstructured Data逐渐转换成AI-Ready Context这其实就是 TrustGraph 的核心价值之一。十九、TrustGraph 中的 CollectionTrustGraph 可以通过 Collection 组织知识。例如AI Research Customer Support Finance Product Docs分别建立Collection例如tg-set-collection\-nAI Research\-dAI 研究资料\ai-research这样不同业务领域的数据可以分开管理。二十、添加文档可以将文档加入 Library。例如tg-add-library-document\--nameAI Research Report\--descriptionAI research report\--tagsai,research\--idai-report-001\--kindtext/plain\./report.txt进入系统之后Document ↓ Library ↓ Processing Flow ↓ Knowledge Graph二十一、创建 GraphRAG FlowTrustGraph 使用 Flow 来组织数据处理 Pipeline。例如tg-start-flow\-ngraph-rag\-igraph-rag\-dGraph RAG processing flow这个 Flow 可以负责Document Chunking ↓ Entity Extraction ↓ Relationship Extraction ↓ Embedding ↓ Graph Construction二十二、开始处理文档例如tg-start-library-processing\--flow-id graph-rag\--document-id ai-report-001\--collectionai-research\--processing-id process-001然后系统开始文档 ↓ Chunk ↓ LLM 抽取 ↓ Graph ↓ Vector二十三、查询 GraphRAG处理完成之后可以直接查询tg-invoke-graph-rag\-fgraph-rag\-Cai-research\-q2026 年 AI Agent 主要发展方向是什么查询过程Question ↓ Semantic Search ↓ 找到相关实体 ↓ Graph Traversal ↓ 提取 Subgraph ↓ LLM ↓ Answer二十四、什么是 Subgraph Context这个概念很重要。普通 RAG 给 LLMChunk 1 Chunk 2 Chunk 3GraphRAG 给 LLMOpenAI / \ ↓ ↓ Model Agent | | ↓ ↓ GPT-X Tool Use也就是说不是几个孤立文本。而是一张小型关系网络这就是Subgraph Context二十五、TrustGraph MCPTrustGraph 还有一个很有意思的能力MCP项目仓库里面已经包含trustgraph-mcp也就是说未来Claude Code Cursor Codex AI Agent理论上都可以通过 MCP 调用 TrustGraph 提供的知识能力。架构Claude / Codex | ↓ MCP | ↓ TrustGraph | ↓ Context Graph二十六、为什么 MCP Knowledge Graph 很有意思普通 MCPAgent ↓ Tool ↓ API比如查询数据库 发邮件 查天气但是 TrustGraphAgent ↓ MCP ↓ Context Graph ↓ 企业知识这就相当于给 Agent 增加一个“理解企业”的工具。例如 Coding Agent 可以问这个项目为什么当初选择 PostgreSQLGraph 里面可能有Project ↓ Architecture Decision ↓ PostgreSQL ↓ Reason ↓ JSONB Transaction于是 Agent 不只是看代码还可以理解项目历史。二十七、TrustGraph 和 Graphiti 有什么区别前面我们介绍过 Graphiti。两者确实有一些重叠。但是侧重点不同。Graphiti 更强调Temporal Knowledge Graph Agent Memory Fact History也就是世界发生了哪些变化TrustGraph 更强调Context Graph Ontology GraphRAG Enterprise Context也就是AI Agent 应该如何理解整个企业上下文简单来说Graphiti ↓ MemoryTrustGraphContext二十八、TrustGraph 和 Ontop 有什么区别OntopDatabase ↓ Ontology ↓ Virtual Knowledge Graph它重点解决如何让关系数据库变成虚拟知识图谱。TrustGraphDocuments Database APIs ↓ Knowledge Extraction ↓ Context Graph重点解决如何把各种企业数据变成 Agent Context。所以三者可以这样理解Ontop 企业结构化数据 ↓ TrustGraph 企业上下文 ↓ Graphiti 长期动态记忆二十九、这三个项目甚至可以组合可以设想AI Agent | ↓ TrustGraph | Context / Ontology / \ ↓ ↓ Graphiti Ontop ↓ ↓ Agent Memory Enterprise DB ↓ ↓ Temporal Graph MySQL / Oracle这是一个非常有意思的企业 Agent 架构。其中Ontop负责当前业务数据。Graphiti负责历史变化和长期记忆。TrustGraph负责给 Agent 组织统一 Context。三十、TrustGraph 最大的价值是什么我觉得不是又一个 GraphRAG 框架真正值得关注的是它背后的思想AI Agent 需要的不是更多 Token而是更好的 Context。以前我们想上下文 128K ↓ 上下文 1M ↓ 上下文 10M似乎上下文越大越好。但是企业 AI 真正的问题可能不是Context 不够长而是Context 不够准确。真正需要的是正确的数据 正确的实体 正确的关系 正确的时间 正确的权限 正确的业务语义这才是Context Engineering三十一、Ontology 在这里扮演什么角色Ontology 相当于Agent 的世界说明书。例如Customer Product Order Supplier这是概念。然后Customer purchases Product这是关系。再进一步Customer 必须是 Person / Organization这是约束。因此Ontology ↓ 定义世界Knowledge Graph↓ 记录世界TrustGraph↓ 组织 ContextAgent↓ 理解世界并行动三十二、未来企业 Agent 很可能是这种结构我觉得未来很多企业 Agent 不会只是LLM Vector DB而会变成AI Agent | ↓ Context Engine | ┌──────────────┼──────────────┐ ↓ ↓ ↓ Ontology Knowledge Memory Graph | | | ↓ ↓ ↓ Schema GraphRAG Temporal \ | / Enterprise Data ┌─────────┼─────────┐ ↓ ↓ ↓ DB Docs APIsTrustGraph 正在尝试做的事情其实就是中间这层。三十三、TrustGraph 更适合什么项目我觉得它比较适合1. 企业知识 Agent例如员工助手 销售助手 客服 Agent 财务 Agent2. GraphRAG特别是需要Multi-Hop Reasoning的场景。3. Ontology RAG例如金融 医疗 制造业 法律这种有明确 Schema 的领域。4. 企业 Context Layer大量系统CRM ERP OA Wiki Database需要统一语义。5. Coding Agent Memory把架构设计 PR Issue 文档 代码 技术决策组织成图。三十四、它不适合什么如果你的项目就是100 个 PDF然后问答那我觉得完全没必要一开始就上 TrustGraph。一个简单的Embedding Vector DB LLM就够了。TrustGraph 更适合数据复杂 关系复杂 需要多跳查询 需要 Ontology 需要 Agent 需要企业 Context这样的场景。三十五、普通 RAG、GraphRAG、Ontology RAG 怎么选可以记住简单文档问答 ↓ RAG如果问题大量涉及谁和谁有什么关系选择GraphRAG如果业务还有明确实体类型 业务模型 数据规范选择Ontology RAG最终RAG ↓ GraphRAG ↓ Ontology RAG ↓ Context Graph ↓ AI Agent这条路线其实越来越清晰。三十六、我怎么看 TrustGraph我认为 TrustGraph 最值得研究的并不是GraphRAG API而是Context Layer这个概念。现在的大模型已经很聪明。真正的问题变成如何把正确的信息在正确的时间以正确的结构交给 AI传统方法Prompt后来Prompt RAG未来可能变成Agent Context Graph Ontology Tools Memory所以我觉得TrustGraph 本质上更像一个 Agent 的上下文基础设施。三十七、总结一句话总结 TrustGraphTrustGraph 是一个开源的 AI Context 基础设施通过 Knowledge Graph、GraphRAG、Ontology、Vector Search 和 MCP 等能力把企业原始数据组织成 AI Agent 可以理解和使用的结构化上下文。如果用一张图表示Documents Database APIs Wiki ↓ TrustGraph ↓ Ontology ↓ Knowledge Graph ↓ GraphRAG ↓ Context Graph ↓ AI Agent前面我们讲了Graphiti解决Agent Memory然后Ontop解决Enterprise Data Layer这次的TrustGraph更像是在解决Agent Context Layer三者放在一起AI Agent | ↓ TrustGraph Context Layer / \ ↓ ↓ Graphiti Ontop ↓ ↓ Memory Enterprise DB而最上面贯穿这一切的其实就是Ontology因为它负责告诉 AI这个业务世界到底是什么样的。我认为这也是 Ontology 在 AI Agent 时代重新值得研究的真正原因。项目地址GitHubhttps://github.com/trustgraph-ai/trustgraph官网https://trustgraph.ai/王仕宇 JavaPubhttps://javapub.net.cn/