TrustGraph 详解：把知识图谱、Ontology、GraphRAG 和 AI Agent 串成一套系统

如果说普通 RAG 是"帮 AI 找资料"，那么 TrustGraph 更想做的事情是：给 AI Agent 建立一层统一、结构化、可追踪的上下文。

项目名称：

text 复制代码

TrustGraph

GitHub：

text 复制代码

https://github.com/trustgraph-ai/trustgraph

官网：

text 复制代码

https://trustgraph.ai/

一、TrustGraph 是什么？

TrustGraph 是一个开源的 AI Context / Knowledge Graph 基础设施项目。

它现在给自己的定位是：

The Context Interoperability Layer for Agentic AI

翻译一下：

面向 Agentic AI 的上下文互操作层。

这个名字看起来有点抽象。

我们先用最简单的方式理解。

传统 AI 应用：

text 复制代码

用户
 ↓
LLM
 ↓
回答

后来有了 RAG：

text 复制代码

用户
 ↓
Vector Search
 ↓
Documents
 ↓
LLM
 ↓
回答

再后来有了 GraphRAG：

text 复制代码

用户
 ↓
Vector Search
 ↓
Knowledge Graph
 ↓
Graph Traversal
 ↓
LLM
 ↓
回答

而 TrustGraph 想进一步做成：

text 复制代码

                     AI Agent
                         |
                         ↓
                 Context Layer
                         |
        ┌────────────────────────┐
        |                        |
        ↓                        ↓
   Knowledge Graph           Vector Search
        |                        |
        └───────────┬────────────┘
                    ↓
                Ontology
                    ↓
      ┌─────────────┼─────────────┐
      ↓             ↓             ↓
   Documents      Database       APIs

也就是说：

把企业里的各种数据统一整理成 AI 能理解的 Context。

二、为什么普通 RAG 不够？

先看普通 RAG。

假设公司里有 10 万份文档：

text 复制代码

合同

产品文档

会议纪要

用户反馈

财务报告

技术文档

传统方法：

text 复制代码

Document
 ↓
Chunk
 ↓
Embedding
 ↓
Vector Database

用户问：

text 复制代码

A 客户现在使用哪个产品？

系统：

text 复制代码

问题
 ↓
Embedding
 ↓
Vector Search
 ↓
找到几个 Chunk
 ↓
LLM

这种方式最大的优点：

简单。

但是问题也很多。

三、第一个问题：Chunk 之间没有关系

例如：

文档 A：

text 复制代码

阿里巴巴购买了产品 X。

文档 B：

text 复制代码

产品 X 使用 PostgreSQL。

文档 C：

text 复制代码

PostgreSQL 数据库部署在服务器 Server-01。

用户问：

text 复制代码

阿里巴巴使用的数据库部署在哪台服务器？

这个问题需要：

text 复制代码

Alibaba

↓

Product X

↓

PostgreSQL

↓

Server-01

至少三跳关系。

普通 Vector RAG 很可能只找到：

text 复制代码

Alibaba → Product X

或者：

text 复制代码

PostgreSQL → Server-01

但是它不一定知道：

这三件事情其实属于同一条关系链。

四、Knowledge Graph 就开始发挥作用了

如果把这些知识变成图：

text 复制代码

Alibaba
   |
   | purchased
   ↓
Product X
   |
   | uses
   ↓
PostgreSQL
   |
   | deployedOn
   ↓
Server-01

现在问题：

text 复制代码

Alibaba 使用的数据库在哪台服务器？

就可以沿着图：

text 复制代码

Alibaba
 ↓
Product
 ↓
Database
 ↓
Server

一路查询。

这就是：

Multi-Hop Reasoning。

也就是：

多跳推理。

五、TrustGraph 的 GraphRAG

TrustGraph 一个很重要的能力就是：

text 复制代码

GraphRAG

它并不是完全放弃 Vector Search。

而是把：

text 复制代码

Vector Search

+

Knowledge Graph

组合起来。

整个流程大概是：

text 复制代码

Document

↓

Chunking

↓

Entity Extraction

↓

Relationship Extraction

↓

Embedding

↓

Knowledge Graph

查询：

text 复制代码

Question

↓

Vector Search

↓

找到相关 Entity

↓

Graph Traversal

↓

找到相关子图

↓

Subgraph Context

↓

LLM

↓

Answer

这比：

text 复制代码

问题

↓

找几个 Chunk

多了一层：

关系理解。

六、举一个更具体的例子

假设有三份文档。

第一份：

text 复制代码

王仕宇创建了 JavaPub。

第二份：

text 复制代码

JavaPub 主要发布 AI 和编程相关内容。

第三份：

text 复制代码

AI 编程课程属于 JavaPub 的内容体系。

普通 RAG：

text 复制代码

Document 1

Document 2

Document 3

三个 Chunk。

TrustGraph：

text 复制代码

王仕宇
   |
   | created
   ↓
JavaPub
   |
   | publishes
   ↓
AI / 编程内容
   |
   | includes
   ↓
AI 编程课程

于是用户问：

text 复制代码

王仕宇创建的品牌主要有哪些 AI 内容？

GraphRAG 可以沿着关系找到答案。

这就是：

text 复制代码

Graph + RAG

七、TrustGraph 还有一个更重要的能力：Ontology RAG

如果只是自动抽取知识图谱，会出现一个问题：

LLM 想抽什么就抽什么。

例如：

text 复制代码

Apple

到底是什么？

可能是：

text 复制代码

Company

Fruit

Product Brand

再例如：

text 复制代码

Java

可能是：

text 复制代码

ProgrammingLanguage

Island

Coffee

如果没有统一 Schema：

不同文档可能抽出完全不同的结构。

八、Ontology 解决什么问题？

Ontology 解决的是：

世界里有什么，以及这些东西之间可以有什么关系。

例如企业系统：

text 复制代码

Customer

Product

Order

Employee

Company

定义关系：

text 复制代码

Customer
   |
   | purchases
   ↓
Product

再定义：

text 复制代码

Employee
   |
   | worksFor
   ↓
Company

于是：

text 复制代码

Customer

不能随便：

text 复制代码

worksFor Product

因为这不符合 Ontology。

九、TrustGraph 支持 Ontology RAG

TrustGraph 可以使用 OWL Ontology 指导知识抽取。

流程：

text 复制代码

Document

↓

Chunk

↓

Ontology

↓

LLM Extraction

↓

Typed Entity

↓

Typed Relationship

↓

Knowledge Graph

↓

GraphRAG

这比普通 GraphRAG 多了一步：

text 复制代码

Ontology Constraint

什么意思？

普通 GraphRAG：

text 复制代码

LLM：

我觉得这是一个实体。

Ontology RAG：

text 复制代码

Ontology：

允许的实体类型：

Customer

Order

Product

Supplier

LLM：

text 复制代码

那我按照这些类型抽。

十、举一个电商 Ontology

比如我们定义：

text 复制代码

Customer

Order

Product

Supplier

Payment

关系：

text 复制代码

Customer
   |
   | places
   ↓
Order

Order
   |
   | contains
   ↓
Product

Product
   |
   | suppliedBy
   ↓
Supplier

Order
   |
   | paidBy
   ↓
Payment

现在给 AI 一份文档：

text 复制代码

王先生在 8 月 10 日购买了 MacBook，
订单由 Apple Store 提供，
使用支付宝完成付款。

TrustGraph 可以按照 Ontology 抽取：

text 复制代码

Customer:
王先生

Product:
MacBook

Supplier:
Apple Store

Payment:
支付宝

建立：

text 复制代码

王先生
 ↓ places
Order-001
 ↓ contains
MacBook
 ↓ suppliedBy
Apple Store

以及：

text 复制代码

Order-001
 ↓ paidBy
支付宝

这就变成了一套真正可查询的业务知识。

十一、Ontology RAG 和普通 GraphRAG 有什么区别？

可以直接看：

能力	RAG	GraphRAG	Ontology RAG
Vector Search	✅	✅	✅
Knowledge Graph	❌	✅	✅
Relationship	❌	✅	✅
Multi-Hop	弱	强	强
Schema	❌	❌	✅
类型约束	❌	❌	✅
OWL	❌	❌	✅

可以简单理解：

text 复制代码

RAG

↓

找内容

GraphRAG：

text 复制代码

找内容

+

找关系

Ontology RAG：

text 复制代码

找内容

+

找关系

+

理解关系的业务含义

十二、为什么 Ontology 对企业 Agent 特别重要？

假设一个企业数据库里面有：

text 复制代码

客户

合同

订单

员工

供应商

项目

资产

如果没有统一语义：

CRM 叫：

text 复制代码

customer

ERP 叫：

text 复制代码

client

财务系统可能叫：

text 复制代码

payer

实际上：

可能都是：

text 复制代码

Customer

Ontology 可以把：

text 复制代码

customer

client

payer

统一到：

text 复制代码

Customer

这就是：

Semantic Layer。

十三、TrustGraph 想做的，其实就是 Context Layer

这个概念很重要。

现在 AI 领域越来越多人讨论：

text 复制代码

Context Engineering

以前我们关心：

text 复制代码

Prompt Engineering

也就是：

Prompt 怎么写？

现在越来越多系统开始关心：

到底应该给模型什么 Context？

因为模型本身已经越来越强。

真正影响 AI 输出的往往变成：

text 复制代码

Context

例如：

text 复制代码

哪些文档？

哪些实体？

哪些关系？

哪些历史？

哪些权限？

哪些业务规则？

TrustGraph 就想解决这件事情。

十四、Context Graph

TrustGraph 现在非常强调：

text 复制代码

Context Graph

可以简单理解：

为 AI Agent 服务的知识图谱。

传统知识图谱更多是：

text 复制代码

存知识

Context Graph 更强调：

text 复制代码

给 Agent 提供正确上下文

例如：

text 复制代码

                  Agent

                    ↓

               Context Graph

         ┌──────────┼──────────┐

         ↓          ↓          ↓

       User       Order     Contract

         ↓          ↓          ↓

       Role      Product     Policy

Agent 不需要一次读取：

text 复制代码

100 万条数据

而是从图中选择：

text 复制代码

当前问题真正需要的 Context

十五、TrustGraph 为什么开始强调 Hypergraph？

TrustGraph 现在还在强调一个概念：

text 复制代码

Hypergraph

传统 Knowledge Graph 通常：

text 复制代码

A → B

也就是二元关系。

例如：

text 复制代码

User

↓

purchased

↓

Product

但是企业业务往往更加复杂。

比如：

text 复制代码

张三

在 2026 年 8 月 1 日

通过支付宝

以 9999 元

购买 MacBook

订单属于 JavaPub 公司

这其实涉及：

text 复制代码

Person

Time

Payment

Amount

Product

Company

很多实体。

如果只用：

text 复制代码

A → B

表达起来会越来越复杂。

十六、Hypergraph 是什么？

Hypergraph 可以理解成：

一条关系可以连接多个对象。

传统 Graph：

text 复制代码

A ─── B

Hypergraph：

text 复制代码

          A

          |

    ┌─────┼─────┐

    ↓     ↓     ↓

    B     C     D

比如一次采购事件：

text 复制代码

              Purchase Event

       ┌────────┼─────────┬────────┐

       ↓        ↓         ↓        ↓

     User    Product    Payment   Time

整个：

text 复制代码

Purchase Event

可以作为一个完整 Context。

这对 AI Agent 很有价值。

十七、TrustGraph 的数据处理流程

我们可以把整个流程简化为：

text 复制代码

         Raw Data

            |

   ┌────────┼─────────┐

   ↓        ↓         ↓

 PDF      Wiki      Database

   \        |         /

        Ingestion

            ↓

         Chunking

            ↓

           LLM

            ↓

Entity / Relationship Extraction

            ↓

      Ontology Mapping

            ↓

      Knowledge Graph

            ↓

       Vector Index

            ↓

          GraphRAG

            ↓

         AI Agent

十八、TrustGraph 可以处理哪些数据？

典型包括：

text 复制代码

PDF

Text

企业文档

Wiki

API 数据

数据库数据

结构化信息

系统会把这些原始信息：

text 复制代码

Unstructured Data

逐渐转换成：

text 复制代码

AI-Ready Context

这其实就是 TrustGraph 的核心价值之一。

十九、TrustGraph 中的 Collection

TrustGraph 可以通过 Collection 组织知识。

例如：

text 复制代码

AI Research

Customer Support

Finance

Product Docs

分别建立：

text 复制代码

Collection

例如：

bash 复制代码

tg-set-collection \
  -n "AI Research" \
  -d "AI 研究资料" \
  ai-research

这样不同业务领域的数据可以分开管理。

二十、添加文档

可以将文档加入 Library。

例如：

bash 复制代码

tg-add-library-document \
  --name "AI Research Report" \
  --description "AI research report" \
  --tags "ai,research" \
  --id ai-report-001 \
  --kind text/plain \
  ./report.txt

进入系统之后：

text 复制代码

Document

↓

Library

↓

Processing Flow

↓

Knowledge Graph

二十一、创建 GraphRAG Flow

TrustGraph 使用 Flow 来组织数据处理 Pipeline。

例如：

bash 复制代码

tg-start-flow \
  -n graph-rag \
  -i graph-rag \
  -d "Graph RAG processing flow"

这个 Flow 可以负责：

text 复制代码

Document Chunking

↓

Entity Extraction

↓

Relationship Extraction

↓

Embedding

↓

Graph Construction

二十二、开始处理文档

例如：

bash 复制代码

tg-start-library-processing \
  --flow-id graph-rag \
  --document-id ai-report-001 \
  --collection ai-research \
  --processing-id process-001

然后系统开始：

text 复制代码

文档

↓

Chunk

↓

LLM 抽取

↓

Graph

↓

Vector

二十三、查询 GraphRAG

处理完成之后，可以直接查询：

bash 复制代码

tg-invoke-graph-rag \
  -f graph-rag \
  -C ai-research \
  -q "2026 年 AI Agent 主要发展方向是什么？"

查询过程：

text 复制代码

Question

↓

Semantic Search

↓

找到相关实体

↓

Graph Traversal

↓

提取 Subgraph

↓

LLM

↓

Answer

二十四、什么是 Subgraph Context？

这个概念很重要。

普通 RAG 给 LLM：

text 复制代码

Chunk 1

Chunk 2

Chunk 3

GraphRAG 给 LLM：

text 复制代码

            OpenAI

           /      \

          ↓        ↓

       Model      Agent

        |           |

        ↓           ↓

      GPT-X       Tool Use

也就是说：

不是几个孤立文本。

而是一张：

text 复制代码

小型关系网络

这就是：

text 复制代码

Subgraph Context

二十五、TrustGraph + MCP

TrustGraph 还有一个很有意思的能力：

text 复制代码

MCP

项目仓库里面已经包含：

text 复制代码

trustgraph-mcp

也就是说：

未来：

text 复制代码

Claude Code

Cursor

Codex

AI Agent

理论上都可以通过 MCP 调用 TrustGraph 提供的知识能力。

架构：

text 复制代码

Claude / Codex

       |

       ↓

      MCP

       |

       ↓

  TrustGraph

       |

       ↓

Context Graph

二十六、为什么 MCP + Knowledge Graph 很有意思？

普通 MCP：

text 复制代码

Agent

↓

Tool

↓

API

比如：

text 复制代码

查询数据库

发邮件

查天气

但是 TrustGraph：

text 复制代码

Agent

↓

MCP

↓

Context Graph

↓

企业知识

这就相当于：

给 Agent 增加一个"理解企业"的工具。

例如 Coding Agent 可以问：

text 复制代码

这个项目为什么当初选择 PostgreSQL？

Graph 里面可能有：

text 复制代码

Project

↓

Architecture Decision

↓

PostgreSQL

↓

Reason

↓

JSONB + Transaction

于是 Agent 不只是：

text 复制代码

看代码

还可以：

text 复制代码

理解项目历史。

二十七、TrustGraph 和 Graphiti 有什么区别？

前面我们介绍过 Graphiti。

两者确实有一些重叠。

但是侧重点不同。

Graphiti 更强调：

text 复制代码

Temporal Knowledge Graph

Agent Memory

Fact History

也就是：

世界发生了哪些变化？

TrustGraph 更强调：

text 复制代码

Context Graph

Ontology

GraphRAG

Enterprise Context

也就是：

AI Agent 应该如何理解整个企业上下文？

简单来说：

text 复制代码

Graphiti

↓

Memory

TrustGraph：

text 复制代码

Context

二十八、TrustGraph 和 Ontop 有什么区别？

Ontop：

text 复制代码

Database

↓

Ontology

↓

Virtual Knowledge Graph

它重点解决：

如何让关系数据库变成虚拟知识图谱。

TrustGraph：

text 复制代码

Documents

Database

APIs

↓

Knowledge Extraction

↓

Context Graph

重点解决：

如何把各种企业数据变成 Agent Context。

所以三者可以这样理解：

text 复制代码

Ontop

企业结构化数据
     ↓

TrustGraph

企业上下文
     ↓

Graphiti

长期动态记忆

二十九、这三个项目甚至可以组合

可以设想：

text 复制代码

              AI Agent

                  |

                  ↓

             TrustGraph

                  |

        Context / Ontology

        /               \

       ↓                 ↓

   Graphiti             Ontop

       ↓                 ↓

 Agent Memory      Enterprise DB

       ↓                 ↓

Temporal Graph     MySQL / Oracle

这是一个非常有意思的企业 Agent 架构。

其中：

text 复制代码

Ontop

负责：

当前业务数据。

text 复制代码

Graphiti

负责：

历史变化和长期记忆。

text 复制代码

TrustGraph

负责：

给 Agent 组织统一 Context。

三十、TrustGraph 最大的价值是什么？

我觉得不是：

text 复制代码

又一个 GraphRAG 框架

真正值得关注的是它背后的思想：

AI Agent 需要的不是更多 Token，而是更好的 Context。

以前我们想：

text 复制代码

上下文 128K

↓

上下文 1M

↓

上下文 10M

似乎：

上下文越大越好。

但是企业 AI 真正的问题可能不是：

text 复制代码

Context 不够长

而是：

text 复制代码

Context 不够准确。

真正需要的是：

text 复制代码

正确的数据

正确的实体

正确的关系

正确的时间

正确的权限

正确的业务语义

这才是：

text 复制代码

Context Engineering

三十一、Ontology 在这里扮演什么角色？

Ontology 相当于：

Agent 的世界说明书。

例如：

text 复制代码

Customer

Product

Order

Supplier

这是：

text 复制代码

概念。

然后：

text 复制代码

Customer purchases Product

这是：

text 复制代码

关系。

再进一步：

text 复制代码

Customer

必须是 Person / Organization

这是：

text 复制代码

约束。

因此：

text 复制代码

Ontology

↓

定义世界

Knowledge Graph：

text 复制代码

↓

记录世界

TrustGraph：

text 复制代码

↓

组织 Context

Agent：

text 复制代码

↓

理解世界并行动

三十二、未来企业 Agent 很可能是这种结构

我觉得未来很多企业 Agent 不会只是：

text 复制代码

LLM + Vector DB

而会变成：

text 复制代码

                      AI Agent

                         |

                         ↓

                 Context Engine

                         |

          ┌──────────────┼──────────────┐

          ↓              ↓              ↓

       Ontology      Knowledge       Memory
                       Graph

          |              |              |

          ↓              ↓              ↓

       Schema         GraphRAG       Temporal

          \              |              /

                 Enterprise Data

           ┌─────────┼─────────┐

           ↓         ↓         ↓

          DB       Docs       APIs

TrustGraph 正在尝试做的事情：

其实就是中间这层。

三十三、TrustGraph 更适合什么项目？

我觉得它比较适合：

1. 企业知识 Agent

例如：

text 复制代码

员工助手

销售助手

客服 Agent

财务 Agent

2. GraphRAG

特别是需要：

text 复制代码

Multi-Hop Reasoning

的场景。

3. Ontology RAG

例如：

text 复制代码

金融

医疗

制造业

法律

这种有明确 Schema 的领域。

4. 企业 Context Layer

大量系统：

text 复制代码

CRM

ERP

OA

Wiki

Database

需要统一语义。

5. Coding Agent Memory

把：

text 复制代码

架构设计

PR

Issue

文档

代码

技术决策

组织成图。

三十四、它不适合什么？

如果你的项目就是：

text 复制代码

100 个 PDF

然后：

text 复制代码

问答

那我觉得：

完全没必要一开始就上 TrustGraph。

一个简单的：

text 复制代码

Embedding

+

Vector DB

+

LLM

就够了。

TrustGraph 更适合：

text 复制代码

数据复杂

关系复杂

需要多跳查询

需要 Ontology

需要 Agent

需要企业 Context

这样的场景。

三十五、普通 RAG、GraphRAG、Ontology RAG 怎么选？

可以记住：

text 复制代码

简单文档问答

↓

RAG

如果问题大量涉及：

text 复制代码

谁和谁有什么关系？

选择：

text 复制代码

GraphRAG

如果业务还有明确：

text 复制代码

实体类型

业务模型

数据规范

选择：

text 复制代码

Ontology RAG

最终：

text 复制代码

RAG
 ↓
GraphRAG
 ↓
Ontology RAG
 ↓
Context Graph
 ↓
AI Agent

这条路线其实越来越清晰。

三十六、我怎么看 TrustGraph？

我认为 TrustGraph 最值得研究的并不是：

text 复制代码

GraphRAG API

而是：

text 复制代码

Context Layer

这个概念。

现在的大模型已经很聪明。

真正的问题变成：

如何把正确的信息，在正确的时间，以正确的结构交给 AI？

传统方法：

text 复制代码

Prompt

后来：

text 复制代码

Prompt + RAG

未来可能变成：

text 复制代码

Agent

+

Context Graph

+

Ontology

+

Tools

+

Memory

所以我觉得：

TrustGraph 本质上更像一个 Agent 的上下文基础设施。

三十七、总结

一句话总结 TrustGraph：

TrustGraph 是一个开源的 AI Context 基础设施，通过 Knowledge Graph、GraphRAG、Ontology、Vector Search 和 MCP 等能力，把企业原始数据组织成 AI Agent 可以理解和使用的结构化上下文。

如果用一张图表示：

text 复制代码

Documents
Database
APIs
Wiki

   ↓

TrustGraph

   ↓

Ontology

   ↓

Knowledge Graph

   ↓

GraphRAG

   ↓

Context Graph

   ↓

AI Agent

前面我们讲了：

text 复制代码

Graphiti

解决：

text 复制代码

Agent Memory

然后：

text 复制代码

Ontop

解决：

text 复制代码

Enterprise Data Layer

这次的：

text 复制代码

TrustGraph

更像是在解决：

text 复制代码

Agent Context Layer

三者放在一起：

text 复制代码

                    AI Agent

                       |

                       ↓

                  TrustGraph

                Context Layer

                 /         \

                ↓           ↓

            Graphiti       Ontop

                ↓           ↓

             Memory     Enterprise DB

而最上面贯穿这一切的，其实就是：

text 复制代码

Ontology

因为它负责告诉 AI：

这个业务世界到底是什么样的。

我认为这也是 Ontology 在 AI Agent 时代重新值得研究的真正原因。

项目地址

GitHub：

text 复制代码

https://github.com/trustgraph-ai/trustgraph

官网：

text 复制代码

https://trustgraph.ai/

王仕宇 JavaPub

https://javapub.net.cn/