Ontology Knowledge Graph Mgmt

知识图谱的补录、同步、修复、搜索全流程。包括graph.jsonl格式校验→SQLite同步→向量搜索集成→可选向量库接入。

⚠️ 外部依赖声明：本 Skill 引用的 scripts/graph_sync.py、scripts/graph_vectorize.py、scripts/graph_search.py 不包含在本目录中。 它们是与知识图谱绑定的独立 Python 工具集，需从项目仓库单独获取，或根据本 Skill 描述的接口自行实现。

知识图谱管理与补录

知识图谱全生命周期管理：补录、同步、修复、搜索

何时使用

知识图谱的补录、同步、修复、搜索全流程。

触发场景：

• 需要补录新的实体/关系/文档
• 图谱数据需要同步到 SQLite
• 需要集成向量搜索能力
• 图谱数据异常需要修复

执行步骤

Step 1: 读取原始图谱数据

bash

# 读取 graph.jsonl
cat graph.jsonl | head -20

Step 2: 校验格式

bash

# 检查 JSON 格式是否正确
python3 -c "
import json
with open('graph.jsonl') as f:
    for i, line in enumerate(f, 1):
        try:
            json.loads(line)
        except json.JSONDecodeError as e:
            print(f'Line {i}: {e}')
"

常见问题：

• Line N: 双 JSON 粘连 → 拆分为两行
• Line N: JSON 格式错误 → 修复引号/括号

Step 3: 补录实体/关系/文档

实体补录格式：

json

{"type": "entity", "id": "task_001", "name": "任务名称", "attributes": {"status": "active"}}

关系补录格式：

json

{"type": "relation", "source": "agent_001", "target": "task_001", "relation": "assigned_to"}

文档补录格式：

json

{"type": "document", "id": "doc_001", "content": "文档内容", "metadata": {"source": "manual"}}

Step 4: 同步到 SQLite

bash

# 同步图谱数据到 SQLite
python3 scripts/graph_sync.py --sync

同步检查项：

• 实体数量是否一致
• 关系数量是否一致
• 无孤立节点（可选）

Step 5: 集成向量搜索

bash

# 为图谱内容生成向量索引
python3 scripts/graph_vectorize.py --index

向量搜索测试：

bash

python3 scripts/graph_search.py "查询内容" --top 5

Step 6: 可选向量库接入

如需持久化向量索引，可接入向量数据库：

后端	适用场景	配置方式
ChromaDB	本地部署、小规模	VECTOR_DB=chroma
Pinecone	云端、大规模	VECTOR_DB=pinecone
Weaviate	云端/本地	VECTOR_DB=weaviate

默认使用 SQLite + 内存向量，无需额外配置。

Step 7: 定时更新索引

bash

# 添加 cron 定时任务（可选）
# 每天凌晨 2:00 更新向量索引
0 2 * * * cd /path/to/project && python3 scripts/graph_vectorize.py --update

注意事项

• 执行前确认当前系统状态，避免在已有操作进行中执行
• 如遇到未预料的问题，先记录到当日 memory 文件
• 配置类操作必须先备份再修改
• 完成后验证端到端功能是否正常

版本历史

日期	版本	变更说明
2026-04-23	1.0	初始版本
2026-07-04	2.0	通用化改造：去除 ChromaDB 硬依赖，支持可选向量库后端