用途：该技能用于构建结构化知识图谱，把隐含的实体关系显式化，帮助 AI 系统推理连接、核验事实并降低幻觉。适合实体关系密集的领域，如人物、组织、产品网络，语义搜索、关系推理、推荐和欺诈检测；不适合简单表格数据、纯文档检索或无显著关系的场景。
主要能力：提出六阶段实现流程。一是本体设计，定义节点类型（Person、Organization 等）、边类型（层级、关联、时间）和属性，可用 RDF/Turtle 等格式描述并验证。二是图数据库选型，对比 Neo4j、Amazon Neptune、ArangoDB、TigerGraph 的优缺点，并给出 Neo4j 约束与索引的 Cypher 语句。三是实体与关系抽取，包含 NER、实体链接、去重、关系验证，也支持用大模型抽取 (Entity1, Relationship, Entity2, Confidence)。四是图与向量混合架构，把结构化数据存入图库、向量存入如 Pinecone，再合并图遍历与向量相似度结果。五是查询模式与 API 设计，给出查实体、查关系、最短路径、多跳遍历、推荐等 Cypher 查询及封装方法。六是 AI 集成，用子图作为 RAG 上下文，并通过图谱证据验证声明、检测矛盾以抑制幻觉。
使用方式：按本体设计、图库搭建、数据抽取入库、混合检索、API 封装、AI 对接的顺序推进；资料给出 Neo4j 约束与索引示例、若干 Cypher 查询，以及实体抽取、关系抽取、混合检索、幻觉检测的类结构示意。
适用场景：问答、推荐、欺诈检测、知识发现、语义搜索。资料按规模给出建议：MVP（少于 1 万实体）用 Neo4j 社区版加 SQLite 与 OpenAI 嵌入；生产（1 万至 100 万实体）用 Neo4j 企业版或 ArangoDB 加 Pinecone 等；企业级（100 万以上）用 Neo4j 企业版或 TigerGraph 加分布式向量库与 Kafka。
限制：需一定图建模经验，本体后期变更成本高。资料未提供具体价格、授权费用、性能实测数据或完整部署步骤，相关部署与集成手册标注为待创建；实体抽取准确率等指标为建议性目标，并非保证。