KG Builder 用于从文档构建知识图谱，核心观点是知识图谱是有 schema 的产品，而非三元组堆砌。质量来自流水线顺序：先建模领域再抽取，抽取时校验，存储前融合，并从第一次写入起为每个事实附加来源。
用途与范围：面向知识图谱（智能体记忆的内容），不涉及任务图、智能体编排或多智能体拓扑。
主要能力与流程：
- 设计阶段：做价值测试（多跳查询、实体跨文档复现、关系即数据时才值得建图），写 10–20 个能力问题作为本体规格与测试集，定义 5–15 个实体类型、10–30 个关系类型及显式 domain/range，关系名用精确动词（如 ACQUIRED、DEPENDS_ON），本体存于 ontology.yaml 作为唯一事实来源。可用 uv run scripts/validate_ontology.py ontology.yaml 校验 schema。
- 抽取阶段：按来源类型路由，结构化数据用确定性代码映射，半结构化用逐布局解析器，仅非结构化文本进入 LLM 流水线；实体抽取优先词典与规则，关系抽取仅限已通过校验的实体之间，要求逐字证据引文，事件作为一等节点抽取。
- 整合阶段：先抽样 50 项评估实体与关系精确率（目标 ≥90%），再做 blocking→matching→merge；合并策略为确定性代码，保留规范名、合并别名与边、保留冲突值及来源、记录 merged_from 以便撤销。可用 uv run scripts/blocking_report.py candidates.jsonl --labels matches.jsonl 检查 blocking 策略。
- 服务与维护：查询实体链接后扩展 1–2 跳，将子图序列化为紧凑行；多跳问题检索实体间路径而非邻域；新事实以取代而非覆盖方式保留，矛盾时保留双方并优先较新者，定期重跑融合。
输出物：competency.md、ontology.yaml、extraction/、quality-report.md、fusion-report.md 以及带 source、extracted_at、confidence 的图。
限制与注意事项：LLM 仅用于抽取与模糊匹配带，合并绝不由模型主导；未测量的 LLM 判断不可信；先做 10 篇文档试点再扩展；不要自动接受 LLM 诱导的 schema。资料未提供具体收费、价格、平台或效果数据。