2026年7月，火龙果软件为某知名自动化元件研发制造企业成功实施了《大模型、知识图谱与RAG》培训。

培训需求如下：

1.多源异构数据（PDF 手册、OCR 文本、Excel 规格表、图片、网页、数据库）的清洗与结构化抽取路径不明确 2.复杂产品层级（多对多、条件规则、非标准树形结构）在知识图谱中的建模方式缺乏经验 3.工业产品知识图谱的本体 / Schema 设计没有可参考的通用模板，选型问答与规格查询场景无从下手 4.从非结构化产品样本中自动抽取"型号-参数-取值""型号-适用范围""型号-配件关系"等三元组的方法不清楚 5.知识图谱与 RAG / 大模型的结合方式模糊，不清楚何时用图谱遍历、何时用向量检索、何时混合使用 6."仅当满足特定条件时才兼容"这类规则与例外在图中无法简单表示，担心产生危险的过度泛化推理 7.多层级来源（官方手册 / 样本 / 内部资料 / 课程 / 抽取所得）的权威性排序与冲突消解机制缺失 8.资料持续更新时知识图谱的增量更新与版本管理方案未定，不希望每次全量重建 9.安全攸关知识（兼容性结论、规格参数）的推理约束与数据安全保障不足，性能与安全难以兼顾 10.SQL 强、图查询弱的团队在技术选型（Neo4j + Cypher、RDF/OWL + SPARQL、关系型链接表或混合方案）上存在困惑

   火龙果在培训前充分调查了学员的培训需求，培训由火龙果实践经验丰富的资深技术顾问实施。培训中讲师有在系统化讲解的基础上结合学员工作中的实例有针对性地回答了学员的关键问题，使培训收到了很好效果。火龙果始终倡导的互动案例式教学，真实工作场景演练的培训模式，使本次培训得到了学员的好评，培训达到了客户的既定目标。

教材封面与目录：

 

培训现场：

 

学员收益：

扩宽了我的知识视野，能够根据老师的引导和学到的内容，自己再根据兴趣去搜索和继续学习，提升综合能力。 最大收获是学会使用知识图谱+GraphRAG融合方案解决问题，理解语义召回+图谱逻辑推理的工业思想 我最大的收获是不仅学习了解了知识图谱，图数据库以及大模型相关的知识，还学到了许多与实际应用有关的宝贵知识。例如，各种方法工具的特点和区别，以及适合的应用场景和选择方式。 学习了图谱构成，如何解决搜索多跳问题，对于ai理解有很大帮助。学习了如何通过ai进行抽取，可以对pdf文件内容进行本体，关系，等等的分类，方便做出图谱，课上实践亲自上手完成了一个可查询的图谱，用的pdf是我们的产品说明书，生成的图谱关系明确，一目了然，非常有助于优化搜索策略，同时对于RAG有了更深入的理解。 对知识图谱相关技术的原理和应用有了系统的了解，对今后的工作有很大的启发。 学习了知识图谱的构建步骤，学习了解graphrag的实现方法，从实际业务角度出发知道如何构建知识图谱，数据库，以及测评集。 对知识图谱的构建和能力有了一定了解，了解到在我们工作中的应用，自己未来需要做的工作。 Graph数据在复杂的专业领域的逻辑关系、多维数据来源（各种半结构化、结构化数据）、多跳等场合的意义与必要性。 了解了单纯Rag模式的局限性，以及图数据库的发展过程、在处理多跳任务方面的优势，可以将图数据库与Rag结合使用，需要根据实际业务选择适合的技术路线。 学习了知识图谱，大模型，RAG之间的联系与区别。对于业务场景中的检索难题也有了新的认识，有望利用相关知识解决相关问题。 从课程中系统学习到了关于知识图谱的概念，构建方法、使用场景、技术内容等知识。对课程相关内容进行了简单实践。也对新知识在工作中可能的使用场景和适用方案进行了思考。对于大模型结合知识图谱的能力有了进一步的认知。之后在工作用可以进行应用。 通过本次知识图谱与GraphRAG培训，我对知识图谱的构建流程、实体关系建模以及GraphRAG结合图谱进行检索增强生成的原理有了更深入的理解。培训内容不仅加深了我对相关技术的认识，也让我了解到其在企业知识管理、智能问答、文档分析等场景中的应用价值，为后续工作提供了新的思路和方向。 对于知识图谱解决的问题、整个构建，以及结合大模型的具体应用，对知识库的补充有了整体的清晰认知，并对neo4j的图数据库进行了具体的实操。结合具体的业务展现了具体的实操作业，针对公司业务进行了知识图谱的探索和展望。 系统的了解了知识图谱，以及后续如何应用在工作中。 学习知识图谱构建全流程及使用场景。 理解了知识库数据可以从简单的二维形态变成多维形态，将复杂数据之间的关系清晰展示出来供后续模型检索。

培训结合客户实际工作问题进行了深入探讨，使本次培训得到了学员的好评，培训达到了客户的既定目标。

火龙果基于20年行业经验，梳理IT人员能力模型，提供能力规范、能力培养、评测服务。

课程大纲：企业知识库构建与应用（知识图谱、本体论、RAG与大模型 ）