用途：本技能是一份指南，帮助为科研场景构建知识图谱（KG），用于文献综述、关系探索和 AI 检索增强。图谱以实体和关系网络组织信息，可表达论文、作者、方法、数据集、发现与概念之间的关系，支持诸如“哪些方法被用于数据集 X”这类查询。
主要能力：介绍知识图谱的核心组件（实体/节点、关系/边、属性、本体/模式）；给出科研本体示例（论文、作者、方法、数据集、发现、概念，以及 CITES、AUTHORED_BY、USES_METHOD、EVALUATES_ON、REPORTS_FINDING、RELATED_TO、INTRODUCES 等关系）；提供基于大模型的实体关系抽取（要求返回 JSON 的提示词示例）和基于 SpaCy 的领域自定义 NER；演示用 Neo4j 进行生产级图存储与查询（含添加论文、引用、方法使用及按方法查论文、查共同方法），以及用 NetworkX 做轻量原型并查询方法使用分布；最后给出知识图谱与 RAG 集成的查询流程（问题实体抽取、子图检索、上下文格式化、LLM 生成）。
使用方式：资料未提供独立安装命令或统一运行入口，仅包含示例代码片段，需按示例自行配置 OpenAI、SpaCy、Neo4j、NetworkX 等依赖后使用。
适用场景：个人科研知识库、领域文献图谱、面向学术问答的 RAG 助手。
限制与最佳实践：先定义清晰模式再抽取；使用 DOI、ORCID 等持久标识避免重复节点；抽样人工校验 5%–10% 的抽取三元组；链接 OpenAlex、CrossRef、Wikidata 补充元数据；定期导出快照并版本化；建图前先设计查询。资料未说明收费、价格或具体效果。