随着企业知识智能化建设的不断深入，知识图谱、知识库 RAG、Bot 构建以及 AI 应用落地，正在成为企业构建知识中枢和智能应用平台的重要能力。
qKnow 作为一套面向企业知识智能化与行业 AI 应用场景的 AI 智能体构建平台，围绕知识图谱、知识库 RAG、Bot 构建和开箱即用的 AI 应用等核心能力，支持企业文档、结构化数据、业务知识和专家经验的统一接入与智能化沉淀，帮助企业快速完成知识抽取、知识建模、智能问答、Bot 构建和 AI 应用落地。
在本次功能优化中，qKnow 围绕知识图谱相关能力，对图谱探索、知识库、数据源、知识推理、知识融合以及概念属性等模块进行了进一步完善，重点解决用户在实际使用过程中遇到的效率、易用性和数据质量问题。
一、优化背景
本次优化主要围绕以下几个方面展开。
1. 图谱探索、知识库、数据源功能优化
在实际客户使用过程中，市场反馈了一些关于图谱探索、知识库和数据源模块的使用问题。
例如，在图谱探索中，原有展示方式对实体分类表达不够清晰，用户在查看和定位图谱数据时效率不高；知识库新增流程相对偏重；数据源类型也需要进一步扩展，以适配更多企业场景。
因此，本次针对这些模块进行了系统性优化，并修复了部分系统中存在的问题。
2. 知识推理与知识融合执行效率提升
目前产品中的知识推理和知识融合功能，在用户完成数据抽取后，新生成的数据无法及时参与知识推理与融合，需要等待系统定时任务执行后才能查看处理结果。
这种方式在一定程度上降低了用户的操作效率，尤其是在调试抽取结果、验证图谱构建效果、快速查看融合和推理结果时，会产生明显的等待成本。
因此，本次优化中新增了手动执行能力，帮助用户更灵活地触发知识推理和知识融合任务。
3. 概念属性校验能力完善
在结构化抽取数据的过程中，如果没有对属性数据制定明确的规则，就很容易抽取出杂乱、不规范的属性数据。
为了提升抽取数据的规范性和质量，需要在结构化抽取时，对每个属性设置相应的规则校验。通过属性类型和校验方式的约束，可以更好地完善数据内容，提升知识图谱数据质量。
二、本次优化内容
1. 图谱探索常规视图左侧展示优化
在原有图谱探索常规视图中，左侧第一级别仅展示"实体"两个字，没有体现具体分类，导致实际使用时定位效率不高，实用性也不够强。
本次优化后，图谱探索常规视图左侧将根据概念进行区分，并形成树型结构展示。
通过这种方式，用户可以更直观地查看不同概念下的实体内容，也可以更快速地定位目标数据，提升图谱浏览和检索效率。
2. 图谱探索常规视图搜索能力优化
此前，图谱探索常规视图中的搜索框仅支持输入实体进行查询，检索范围相对有限。
本次优化后，搜索框支持通过实体和三元组进行搜索查询。
这意味着用户不仅可以通过实体名称快速定位图谱节点，也可以通过三元组关系进行查询，从而更高效地查看图谱中的关联数据和知识结构。
3. 知识库新增方式优化
在知识库模块中，原有新增知识库操作采用页面级方式，流程相对较重。
本次优化后，新增知识库由页面级调整为弹窗级。
弹窗方式更加轻量，用户在当前页面即可完成知识库新增操作，减少页面跳转带来的操作成本，让知识库创建流程更加简洁顺畅。
4. 数据源新增 PostgreSQL 类型
在数据源模块中，本次新增了 PostgreSQL 数据源类型。
通过扩展 PostgreSQL 数据源支持，qKnow 能够适配更多企业已有的数据环境，满足不同用户在结构化数据接入方面的需求。
对于企业来说，数据源类型的扩展可以降低系统接入门槛，也有助于将更多业务数据纳入知识图谱和知识智能化建设流程中。
5. 知识推理、知识融合新增"执行一次"按钮
针对知识推理和知识融合任务依赖定时任务执行的问题，本次优化新增了"执行一次"按钮。
用户在完成数据抽取后，可以根据需要手动触发一次知识推理或知识融合任务，无需等待系统定时任务自动执行。
这一优化可以显著提升用户在数据处理、结果验证和图谱调试过程中的操作效率，让知识推理和知识融合过程更加灵活、可控。
6. 概念属性校验功能完善
概念属性是知识图谱数据质量的重要基础。
在非结构化抽取和结构化抽取过程中，如果属性缺少规范约束，容易导致抽取结果中出现类型不一致、格式不统一、数据范围异常等问题。
因此，本次对概念属性的校验能力进行了完善，主要包括数据类型校验和校验方式两部分。
6.1 增加概念属性的数据类型校验
本次新增了概念属性的数据类型配置能力，支持以下数据类型：
- 文本
- 整数
- 小数
- 时间
- 字节类型
- 布尔值
- 字典类型
当进行结构化抽取时，系统会读取当前属性设置的数据类型，并根据数据库中的数据类型进行校验，筛选出符合当前属性类型要求的数据。
通过数据类型校验，可以减少属性数据类型混乱的问题，使抽取后的知识图谱数据更加规范。
6.2 增加概念属性的校验方式
除了数据类型校验外，本次还新增了概念属性的校验方式配置，支持以下校验方式：
- 唯一性校验
- 长度校验
- 区间校验
当进行结构化抽取时，系统会读取抽取出的概念属性数据，并根据配置的校验方式进行判断和筛选，仅保留符合校验规则的数据。
例如，通过唯一性校验可以减少重复数据；通过长度校验可以约束文本或字段长度；通过区间校验可以限制数值或时间范围，从而进一步提升数据质量。
三、优化价值
本次 qKnow 知识图谱相关能力优化，主要围绕用户体验、执行效率和数据质量三个方向展开。
在图谱探索方面，通过左侧概念树展示和实体、三元组搜索能力的增强，用户可以更高效地浏览和定位图谱数据。
在知识库和数据源方面，通过新增知识库弹窗化和 PostgreSQL 数据源支持，进一步提升了平台的易用性和数据接入能力。
在知识推理和知识融合方面，通过新增"执行一次"按钮，用户可以在完成数据抽取后主动触发任务，减少等待定时任务的时间成本。
在概念属性方面，通过数据类型校验和校验方式配置，可以更好地规范抽取数据，减少杂乱属性数据对图谱质量的影响。
四、总结
qKnow 智能体构建平台不仅关注知识图谱、知识库和 Bot 构建等核心能力，也持续关注用户在实际业务使用中的操作体验和数据质量问题。
本次围绕图谱探索、知识库、数据源、知识推理、知识融合和概念属性等功能进行优化，进一步提升了平台在知识建模、数据接入、知识处理和数据治理方面的能力。
未来，qKnow 将继续围绕企业知识智能化和行业 AI 应用落地场景，不断完善知识图谱、知识库 RAG、Bot 构建和 AI 应用能力，帮助企业将分散的文档、结构化数据、业务知识和专家经验转化为可构建、可运行、可复用的智能资产，为企业建设知识中枢、智能问答平台、智能体开发平台和行业 AI 解决方案提供更加稳定、高效的基础底座。