从资料到知识图谱——用 WorkBuddy 组织 AI 专家团

文／叶曲炜（Tree／树叶）    2026 年 10 月 11 日

文件夹里的资料越来越多，真正需要回答一个问题时，我们却常常还要从头翻找。

准备《人工智能导论》课程时，我手里已经有教学计划、教案、PPT 和项目材料。但如果要问：某个教学目标由哪些活动支撑？完成一个酒店管理项目，需要复习哪些知识？几份材料对同一要求的表述是否一致？答案往往散落在不同文件里。

我想尝试把这些资料组织成知识图谱（Knowledge Graph），再让 WorkBuddy 中的“知识图谱专家团”围绕问题调用工具，查找关系、核对证据，并在适合时开展计算与推理。

这篇文章记录的是一次逐步搭建的实践。按 10 月 2 日的记录，专家团已安装并可选择，任务模板和课程资料规则已确定；整门课程的完整抽取、入库与效果验证仍待完成。我希望把这条路径说清楚，也把需要继续检验的地方留下来。

01  先从一个值得追问的问题开始

知识图谱用“对象”和“关系”组织知识。人物、机构、事件和概念可以成为节点；在课程中，课次、教学目标、知识点、作业和评价指标也可以成为节点。节点之间的关系，说明它们如何联系。

例如，要帮助学生准备一个酒店评论分析项目，就需要知道：它涉及哪些知识？这些知识在哪几次课出现？有哪些练习？成果又按什么标准评价？

先想清楚要回答的问题，再决定图谱里应当有什么。 一张图是否有用，取决于它能否帮助我们找到这些联系，并回到材料中核查。

这次课程材料包括 1 份教学计划、16 份教案、16 份 PPT 和 4 份项目文档。我确定了一个重要原则：以教学计划和教案为主要依据，PPT 只作补充参考。

教学计划说明课程整体安排，教案说明每次课如何展开，PPT 帮助解释术语、图示和案例。PPT 中出现一个知识点，并不能据此认定它是正式的必学内容或考核要求。主要依据之间出现冲突时，应把问题列出来，留待核对。

02  技能怎样组织成一个专家团

WorkBuddy 开放平台提供技能、专家、专家团、连接器与 Buddy 应用等能力。初看这些名称容易混淆，放到一次具体任务中，分工就比较清楚了。[1–5]

技能（Skill）保存做事的方法。 怎样设计节点与关系，怎样从文档抽取信息，怎样检查查询语句，都可以写成可复用的说明、脚本与模板。整理技能是在积累工作方法，并不意味着重新训练了一个大模型。[1]

我们整理的七个 Neo4j 技能，分别涉及图谱建模、文档抽取、结构化导入、Cypher 查询、Python 程序访问、GDS 图计算和 MCP 工具接入。它们为不同环节提供执行依据。

专家与专家团（Expert Team）组织角色和协作。 本项目配置了五个角色：顾知行负责统筹交付，林知微负责建模抽取，程归一负责整合入库，沈明理负责检索计算推理，严溯源负责证据审核。这些名字用于表达本项目的分工。[2–3]

协作的关键在交接。抽取结果要带原文位置，合并实体要留下依据，分析结果要附查询或算法参数，审核发现问题后要能退回修订。简单任务可以少分工；角色多，并不能自动保证答案正确。

连接器（Connector）把工具与数据真正接进来。 它使专家能够调用数据库或外部服务。安装有关接入的技能后，还需要配置连接和权限，并检查工具是否能正常工作。[4]

项目则保存长期背景，例如资料范围、来源优先级和交付要求。每次任务只需补充这一次要处理什么。这样，技能、角色、工具和项目背景才逐渐组成一个可重复使用的工作流程（Workflow）。

03  图谱里的关系要能回到原文

把文档交给 AI，并不意味着抽取出的每条关系都可靠。建图需要经历资料清点、模式设计、抽取、校验、合并和入库，随后还要维护版本与更新记录。

“某份教案提到了聚类”与“聚类是某项目的明确先修要求”，是两种不同的说法。两个词出现在同一页，不能直接证明它们之间存在先修关系。

因此，证据（Evidence）应当跟随具体主张：它来自哪份文件、哪个段落或哪张幻灯片，原话是什么，适用于哪个版本。暂时不能确定的关系，可以保留为待核对项。

前期资料核查就遇到过这样的情况：课程父目录写着“26–27”，材料正文却声明“2025–2026 第 1 学期”。系统应保留这个差异，不能用文件夹名称覆盖正文。又如，一份教案写着未提供对应 PPT，但新压缩包里已经有该课次文件，需要继续核对内容。

合并重复实体也要谨慎。同一概念的中英文名称和缩写，可以核对后归并，并保留别名；含义不同、只是名称相似的对象，应分别保存。重复导入不应让图谱里的同一个概念越积越多。

本课程还使用独立数据集 ai_intro_submitted_v1，与演示资料和其他图谱分开。这个范围要落实到导入、查询、更新、导出与图计算。多人共同使用时，数据集标识之外还需要相应的访问控制。

04  检索 计算与推理各有自己的问题

图谱建成后，首先要看它能回答什么。检索、图计算和规则推理各有用途，也应分别验收。

知识检索，是沿着关系寻找有出处的答案。 例如，从一个课程项目出发，查到相关知识点、课次、活动与评价要求，同时返回原文位置。未来还可以结合全文或向量检索，形成图谱参与的检索增强生成（GraphRAG）流程；这部分仍需开发和验证。

图计算，是观察知识网络的结构。 Neo4j 的图数据科学工具 GDS（Graph Data Science）提供中心性、社群发现、相似性和路径搜索等算法。选择算法之前，应明确要研究哪些节点与关系，再决定方向、权重和参数。[6]

一个知识点连接很多内容，可能值得关注，但不一定最难或最重要。算法得到的群落不必然等于教学章节，最短路径也未必是最佳学习顺序。图比较小时，普通查询可能已经足够。

规则推理，是依据明确的前提做检查或推导。 假设采用“教学目标应有活动与评价证据”的检查规则，某个目标只有活动关联，系统可以提醒“当前图谱中未检索到评价证据，待核对”。它不能直接断言教师没有安排评价。

推导结果需要说明使用了什么规则、哪些前提和什么范围。目前方案主要采用明确规则与查询，不等于已经部署完整的形式化本体推理系统。

智能体（Agent）在这个过程中理解任务、选择工具、观察结果并组织交付。Neo4j 保存知识关系，工具执行查询与计算，语言模型帮助解释结果。每个环节留下记录，我们才能继续追问答案是怎样形成的。

05  原生应用受限时 个人账号怎样继续

我最初希望把这套流程做成名为“知图工作台”的原生 Buddy 应用，让使用者打开就能选模式、填资料、提出问题。实际操作带来了一个需要调整的条件。

在 10 月 2 日的试用中，开放平台对我的个人开发者账号提示：创建 Buddy 应用需要企业认证。这条提示针对创建资格，不能据此推断所有 Buddy 应用都只能由企业用户使用。具体资格仍以操作时的平台提示为准。

对个人实践来说，可以先在 WorkBuddy 项目中选择已经安装的专家团，调用技能和本地 Neo4j 工具，把一个具体任务跑通。现有“使用入口.html”帮助填写模式、资料路径、数据集和问题，生成任务文本后再复制到对话中；它目前是任务辅助入口。

具备相应开发者资格后，再考虑原生应用的创建、配置、预览、审核和发布。官方文档介绍了这些环节，但“专家团可以选择”“应用配置已完成”和“整个流程已验证”仍需分别确认。[5]

我们已为工作台准备四种模式：建立与更新图谱、证据问答、图计算、规则推理；并设计了资料建图、新增资料、关系链、重要节点与群落、规则推导、质量检查六类场景入口。它们需要通过真实任务逐项检验。

06  从一份资料和一个问题开始尝试

如果也想尝试这条路径，可以先选一组边界清楚的资料，例如一门课的一个教学单元。在 WorkBuddy 中建立项目，选择“知识图谱专家团”，并确认当前电脑能够访问所选资料和数据库工具。

本次任务先填清四项内容：模式选“建立与更新图谱”；资料路径填写自己电脑上的实际文件夹；数据集采用稳定且独立的标识；问题写成能够检查答案的具体要求。

以课程为例，可以这样提出任务：

请以教学计划和教案为主、PPT 为参考，整理教学目标、知识点、活动、作业与评价要求之间有原文支持的关系。保留出处，合并明确重复的实体，列出冲突和证据不足之处。校验后入库，回答指定问题，并交付能够查看关系与证据的图谱页面。

第一轮先检查几件具体的事：关键关系能否准确回到原文？重复导入是否产生多余实体？查询是否混入其他资料？材料没有提供答案时，系统能否承认未知？这些问题比节点数量更能说明系统是否可靠。

分享成果时，自包含的 HTML 可以作为图谱快照供他人浏览；实时查询和更新则需要可访问的后台。若页面还要打开完整报告，应把报告一同打包，使用相对路径，并请接收者先解压。

这也与我持续使用的六环框架相通：记下资料与来源，思考关系，提出能行动的问题，做一次小范围实践，复核结果，再把可靠的方法迁移到下一组资料。每一步，都为下一次判断留下依据。

我希望这套工作方式最终能让备课、研究和知识整理更方便。但目前还没有足够证据宣称它已经改善教学成效。接下来，要做的是把一条完整任务跑通，比较原有做法与新流程，看看节省了什么、增加了什么核查负担，再决定怎样扩大使用。

当我们再次打开资料时，如果能更快找到需要的关系，也能说清这些关系从何而来，这一步实践就有了继续完善的价值。

关于作者 叶曲炜

叶曲炜（Tree／树叶），教授，聚焦 AI 时代的提问力与学习创新，长期从事高等教育教学、管理与教育教学评估，拥有四十余年教育实践经验。近年来关注生成式人工智能与 AI 智能体，以“记、思、问、行、复、化”六环框架连接学习、行动与迁移。

个人网站：www.treeye.cn

微信：tree_ye1961

邮箱：shuye_1961@qq.com

在金尚相遇

金尚 JinShang 由室内设计师田丽莲（Lilian Tian）于 2016 年创立，是一个连接办公、活动、餐饮、艺术与生活方式的社区型空间品牌。

金尚·城溪位于北京市西城区新街口外大街 34 号。城溪小院适合小规模会谈与茶聚，溪言阅读空间让书籍与对话相遇，城溪剧场承载讲座、戏剧与公共文化活动。这里为阅读、交流、沉思与创造提供了不同的空间。

关于 AI 的讨论，也需要能够认真交流的空间。我希望大家可以带着自己的材料与问题，讨论一次实际操作中的发现：哪里节省了时间，哪里还需要人工判断，哪些经验能够留给下一次行动。

资料与实践说明

本文实践状态沿用原文截至 10 月 2 日的记录。七幅技术示意图与平台截图均原样保留，图示中的课程结构和智能体流程不代表已经完成全程验证。

[1] WorkBuddy 官方文档  技能

[2] WorkBuddy 官方文档  专家

[3] WorkBuddy 官方文档  专家团

[4] WorkBuddy 官方文档  连接器

[5] WorkBuddy 官方文档  Buddy 应用

[6] Neo4j 官方文档  GDS 图算法