14.1 面向变化知识的更好基准
图谱持续变化，许多基准却只评价静态快照。未来应测试更正、删除、时间范围与新实体到达，奖励系统在证据变化后修订答案，并保留“过去相信什么”与“现在接受什么”的区别。这直接对应实际知识管理能力，却容易被静态链接预测分数忽略。
另一重点是证据依赖。多个来源可能重复同一原始主张，表面矛盾结果也可能针对不同条件。要求识别这些模式的基准，比只问一个孤立答案三元组更能检验研究助手，也会鼓励建模出版谱系、研究情境和不确定性。评价应包含需要限定回答或要求补充证据的案例。
14.2 多模态与多语言图谱
多模态知识图谱连接文本、图像、表格、音频和其他来源，困难在于保留每种模态真正支持的内容。图像可能证明物体出现，却不能确定身份；表格可能给出测量，但还需要图注解释单位。模态对齐应保留各自来源的不确定性，不能把所有观察压成一个确定实体记录。
多语言图谱面临类似对齐问题。词语对应不总表示概念等价，文化特定类别也未必能整齐纳入单一普遍层级。未来系统应支持语言特定标签、情境映射和有记录的分歧。对中英研究工作，术语管理是实用起点：保留原始表达和共同认可的概念标识，同时允许修订映射。
14.3 结合约束与解释的学习
神经与符号方法在职责明确时可以互补：学习模型提出候选和排序证据，符号约束发现不可能类型或执行声明规则。研究挑战是结合二者，同时不把违反约束等同于事实错误，也不把高模型分数等同于证明。评价应同时测量预测用途与所声称解释的正确性。
解释应成为可测试产物。检索路径可以对照图谱，规则推导可以核对前提，引用可以核对段落；若进一步声称解释准确描述模型内部机制，则需要额外证据。系统应提供自己能验证的解释，而非因输出含图谱可视化，就承诺更深层可解释性。
14.4 负责任地维护知识的智能体
智能体可能越来越多地帮助识别缺失元数据、协调重复、建议模式扩展和定位过时主张。这些任务有吸引力，因为输出通常可以作为具体变更审核。值得研究的是每单位审核投入能够完成多少正确维护工作，它将自主性与实际操作收益联系起来，同时使纠错保持可见。
智能体记忆也需长期评价。助手应保留有用且已验证的信息，遗忘或退役过时记录，避免反复检索放大自身错误。跨多次会话的测试能暴露单问题基准遗漏的失败。共享图谱让记忆更易检查，也为错误假设影响后续任务提供持久通道，因此版本化来源与纠正机制是核心课题。
按依赖关系推进实施。扩大自主程度应以证据质量、维护能力和任务评价为基础。
原图保留中英文标签；请结合正文解释阅读。点击可查看大图。14.5 综合结论
当明确身份与关系使重要问题能够依据更清楚的证据回答时，知识图谱最有价值。效果依赖完整生命周期：模式约定、忠实抽取、身份归一、存储、计算、推理和维护。各阶段提供不同保障；可靠系统应在信息流向应用或智能体时，保留这些保障及其限制。
实践上，应从有边界的问题集开始，建模回答所需证据，建立小型、可检查图谱。自动抽取与学习预测扩展覆盖，验证与溯源使扩展可纠正；在保留不确定性、通过受控工具运行的前提下，图检索与智能体再提供灵活访问。这样，知识图谱才能成为研究与组织工作的持久组件，而非一次性可视化或未经审查的生成断言层。