02.1
图结构与知识命题
图由节点和边构成，但知识图谱还需要说明节点指代什么、边表达什么，以及记录适用于怎样的语境。窗口、菜品和食材可以分别成为实体，供应和包含可以成为有方向的关系。名称只是实体的一种属性，不能承担全部身份。两个同名菜品可能属于不同商户、不同配方或不同时间版本。如果直接把名称相同当作实体相同，图中看似合理的路径就可能连接了并不相同的对象。稳定标识、类型和来源约束，是图谱能够支持可靠检索的前提。[R15][R16]
知识命题与存储形式也应区分。某条记录声称一道菜包含花生，这是一个带来源的陈述；把陈述写成一条边，只改变了表示方式，没有完成事实核验。图谱的优势在于让连接可以被查询、组合和检查，而不是自动把文本转化为真实知识。本报告把实体关系图理解为可计算的主张结构，并要求对关键边记录依据。生成系统从图谱取出路径后，仍须判断路径的关系含义是否符合问题。仅仅存在一条连通路径，不能证明它就是答案所需的推理链。
02.2
本体与关系粒度
本体为实体类型、关系类型和适用约束提供共享约定。设计时应先从要回答的问题出发，再决定哪些对象必须独立成节点。若只需按菜系筛选，菜系可以作为属性；若需要追踪菜系的分类层级、别名和研究来源，则把它建成实体更便于维护。一个设计没有脱离任务的绝对最优形式。过度细分会增加标注和维护成本，过度概括又可能丢失问题所需的差异。合适的粒度取决于查询、证据和更新责任之间的配合。
多方关系尤其容易被简单二元边误写。商户在某日供应某道特定配方的菜，包含商户、日期、菜品版本和供应状态。若只保存“商户供应菜品”，有效期就会消失。可将一次供应记录或一个菜单版本建为中间对象，使时间和来源依附于具体事件。类似地，图片区域属于某张图片，又被某个模型识别为某种食材，这应与菜品真实配方中的食材关系区分。本文建议在关系模式中明确观察、声称、推测和确认的差别，使视觉识别与业务事实之间保留可检查的转换环节。
02.3
来源记录与可追溯链
来源记录应回答一条知识从哪里来、经过什么处理、由谁或什么系统产生，以及何时有效。W3C的PROV框架提供实体、活动和责任主体等概念，帮助表达数据的产生与派生关系。应用不必完整照搬一个标准的全部细节，但需要保留足够的信息，使结论可以回到具体文档、页面、图片区域或原始记录。只保存网站首页链接，通常不足以支持细粒度核查。[R28]
在GraphRAG中，原文、抽取关系、社区报告和最终回答构成多层派生链。一个回答引用社区报告时，读者还应能够继续追到报告依据的片段。多模态系统还要记录图片版本、裁切坐标和识别结果，避免更新图片后旧区域失去含义。本文建议为每次处理保存输入标识、模型或规则版本、输出标识和状态。这样，某份材料撤回或纠正时，可以定位受影响的关系、摘要和缓存。来源链提供了审查条件，却不自动保证原始资料可靠；独立事实核验与派生过程审计仍是两个不同任务。
本报告原创设计
02.4
实体身份与歧义处理
实体对齐首先是身份判断，然后才是相似度计算。相同名称可能指向不同对象，不同名称也可能指向同一对象。食材别名、机构简称、人物同名与商品版本分别具有不同的歧义结构，不能共享一条未经验证的合并规则。候选生成可以使用名称、语境、关系邻域或图像特征，但合并决策还应满足业务约束。例如两条记录的有效时间完全冲突，或者一种食材在图中只被概括为“蔬菜”，都不宜因为向量相近就确认细粒度身份。[R16][R22]
本文建议把确定合并、候选关联和明确不同三种状态分开。候选关联可以帮助召回，但不应直接进入需要精确身份的结论。每次合并应保留原始标识与可撤销映射，而不是删除旧记录。拆分和纠错同样重要，因为错误合并会让关系沿着错误身份扩散。跨模态信息可以提供额外线索，也可能引入新歧义：一张图片可能展示多个对象，文字可能只提到其中一个，配图还可能仅作示意。因此，图文配对不等于图中所有对象都与文本实体一一对应。
02.5
存储结构与检索接口
图谱存储、向量索引与原始素材库可以承担互补职责。图结构适合保存明确关系及约束，向量索引适合按语义或视觉相似性生成候选，素材库保留完整文档和高分辨率图片。将这些职责分开并不要求部署三个独立产品，而是要求系统能清楚回答每类数据由谁管理、怎样更新、如何查询。关系数据库也可以表示部分图结构，图数据库也可以提供向量检索。研究比较应关注数据模型和查询行为，不宜仅按照数据库类别推断效果。
检索接口最好返回带类型的证据对象，而不只返回一段拼接文字。证据对象可以包含实体标识、关系、来源位置、时间、权限与不确定状态。生成层据此选择怎样表达结论，审计层据此判断一次回答是否使用了有效材料。对于需要复核的图片，接口还应给出区域与原图的连接，而不是只给一个无法解释的向量分数。本文把证据接口看作架构中的稳定契约：模型和存储可以替换，但证据必须以可核查的形式传递。接口若过早把结构压成自然语言，后续组件将难以恢复丢失的限制条件。
02.6
图谱质量与查询边界
图谱质量至少涉及覆盖、正确性、一致性、时效性和来源完整性。这些维度可能相互牵制。提高自动抽取的召回率可能引入更多错误边，严格过滤又可能遗漏罕见但重要的关系。一个高度连通的图也可能主要由泛化过度的标签组成，难以回答具体问题。因此，节点数、边数和连通率可用于监测数据变化，却不能单独作为知识质量的证明。评价需要从实际查询出发，观察关键对象、关系和证据是否以合适粒度得到保留。
缺失边的解释尤其关键。在开放资料中，未找到某条关系通常表示系统尚无足够记录，并不表示该关系在现实中为假。只有当数据范围、采集完整性与业务规则允许封闭解释时，才能把缺失视作否定。路径长度也不是推理质量的替代指标，较短路径可能语义错误，较长路径可能包含必要的时间或来源条件。本文建议在查询层显式区分肯定、否定、未知和冲突，并让回答层保留这些状态。这样，系统可以诚实说明资料不足，而不把图的空白填充为自信的判断。