📖 系列难度说明：本篇为实战入门，需要一点点 Python 基础。看不懂代码没关系，先把"为什么需要时间"这件事想明白，代码部分可以跳。
🎁 核心收获：你会理解传统知识图谱最大的坑在哪，以及 OpenAI 是怎么用"带时间戳的三元组 + 失效 Agent"补上这个坑的。

图片

上篇我们聊了 Ontology 是什么——它是业务的语义地基。

但地基要是建在流沙上，房子照样塌。

什么意思？你给 Agent 喂了一张知识图谱，图谱上写着"苏姿丰是 AMD 的 CEO"。三个月后她卸任了，图谱没更新。Agent 还是拿着旧数据给别人出报告，还特别自信。

这不是 Agent 笨，是人类忘了告诉它：事实是会过期的。

一个真实的翻车现场

金融圈有个经典问题：“穆迪对 YY 银行的长期评级，从 2023 年 2 月以来怎么变的？”

传统知识图谱怎么答？它大概率把"穆迪给 YY 银行的评级是 A3"这条静态事实存进去了。你问它历史，它给你一条当前的，或者干脆答不上来——因为它根本没存"这条事实从哪天生效、哪天作废"。

后果很具体：

  • • 把历史评级和当前评级混为一谈，信用风险定价直接算错

  • • 问"ZZ 零售商发 FY-22 业绩指引时 CFO 是谁"，它归咎到错误的高管头上，内幕交易分析全歪了

汽车、制药、法律行业也一样。一辆 2023 年 3 月出厂的车，转向柱螺栓扭矩规格可能和 2024 年 5 月出厂的完全不同。召回的时候漏掉一批，就是安全事故。

问题不在模型，在图谱本身不记时间。 这正是 OpenAI 在 Cookbook 里那篇《Temporal Agents with Knowledge Graphs》想解决的事。

知识图谱复习：它到底长什么样

简单说，知识图谱就是一堆"三元组"堆出来的。

三元组结构：[主体] - [谓词] - [客体]。比如：

<span leaf="">"伦敦" - "是首都" - "英国"</span><br><span leaf="">"苏姿丰" - "任职于" - "AMD"</span>

把成千上万个这样的三元组连起来，就成了一张网。Agent 在这张网上爬来爬去，就能发现藏在连接里的信息。

本篇里的"时间感知"，就是在每个三元组上多贴两个时间戳：t_created（这条事实从哪天开始真）和 t_expired（哪天开始不真了）。就这么一个改动，整个图谱的用途全变了。

三种读者，三种读法

同一篇内容，我按你的背景拆开讲，挑自己那层看就行。

🟢 小白层次：把"会过期的事实"记进本子

你有个本子记朋友的联系方式。传统做法：写上去就不动了。结果朋友换了手机号，你还在拨旧的，打不通还奇怪。

时间感知图谱：你每次更新，都标上"这条从 2024 年春节起生效"，旧号码旁边画个叉写"2023 年底作废"。下次你想"2023 年中他用的什么号"，翻本子就能查到，不会搞混。

Agent 要的就是这么一本"带时间叉号"的本子。

🔵 普通开发层次：三阶段管道 + 失效 Agent

OpenAI 的做法是一根管道，把原始文本变成带时间戳的三元组。核心是三个阶段：

阶段一：时间分类
每条从文档里拆出来的句子，先打标签：

  • • 无时间性（Atemporal）：永远不变，如"光速约 3×10⁸ m/s"

  • • 静态（Static）：从某天起有效且不再变，如"苏姿丰 2014 年 10 月 23 日成为 AMD CEO"

  • • 动态（Dynamic）：会随时间演变，如"苏姿丰是 AMD CEO"

阶段二：时间事件提取
文档里常写"周二"“三个月前"这种模糊说法。管道用文档自身的时间戳当作参照，把模糊日期解析成绝对日期（只知道月份就默认月初或月末）。

阶段三：时间有效性检查
每条三元组必须有 t_created，过期的还要有 t_expired。然后它干一件关键的事——跟图谱里已有的旧条目对比：

  • • 发现矛盾，给旧条目打上 t_invalid 标记

  • • 用 invalidated_by 把新语句和它所作废的旧语句连起来

这一步就是"失效 Agent（Invalidation Agent）"。没有它，图谱只会越堆越乱，新旧事实打架。

图片

🔴 专家层次：这是 Ontology 在时间维度上的补全

哲学家 Gruber 给 Ontology 的定义里，“显式表述"是核心。但绝大多数工程实现只显式了"概念、属性、关系、公理”，漏了时间这个维度。

时间感知图谱把时间当成一等公民：事实不再是 subject-predicate-object，而是 subject-predicate-object-valid_during。这本质上是给 Ontology 的"Axioms（公理）“加了一条时间约束——“这条公理在 [t1, t2) 区间内成立”。

从符号主义角度看，这让推理从"布尔真假"升级成"时间区间内的真假”。多跳推理时，每一跳都要检查时间区间是否重叠，这才是真正的时序逻辑推理。

多跳推理：为什么单跳查不到的东西，它能查到

光有带时间戳的图谱还不够，得让 Agent 会在上面"走好几步”。

单跳查询是什么？“苏姿丰任职于哪家公司”——一步就到答案。

但真实问题往往是多跳的：“AMD 在 2019 年 Q2 财报电话会上提到的收购目标，其 CEO 当时还在另一家公司的董事会吗？”

这个问题要走的路：

  1. 1. 从 AMD 找到 2019 Q2 财报提到的收购目标 X

  2. 2. 从 X 找到当时的 CEO 是谁

  3. 3. 查这位 CEO 在同一时间点是不是 Y 公司的董事

  4. 4. 把几段关系拼起来给结论

单跳查询只能回答第 1 步。多跳检索是让模型沿着关系边一步步爬，把分散在图谱拓扑里的证据聚合起来。

OpenAI 在教程里把"规划器（Planner）“分成两类，挺实用：

  • • 任务导向：把问题拆成顺序子任务，路径明确，适合确定性报告

  • • 假设导向：先抛出假设，再去证实或推翻，适合探索性研究

工具设计也在一个谱上：从"固定工具（输出稳定可预测）“到"自由形式工具（如代码执行，灵活但难控）"。选哪个，就是控制性和灵活性的权衡。

图片

模型怎么选：别一上来就堆最贵的

OpenAI 在教程里给了一条很实在的路线：

| 阶段

|

模型

|

为什么

原型

|

GPT-4.1

|

指令遵循最强，先把三元组提取准

| |

优化

|

GPT-4.1-mini

|

质量够用，延迟和成本大幅下降

| |

蒸馏

|

用 4.1 输出训小模型

|

超大规模场景压到极致成本

|

实践心法：先用最猛的模型把原型跑通、质量量出来，再一级级往下换便宜的，直到质量兜不住为止。别反过来——一上来就用 nano，错了你都不知道是数据问题还是模型问题。

从 Demo 到生产，三个坑

教程里这部分很干货，做过的都懂：

1. 图谱会越长越肥
给每条边算个相关性分数（时效性 × 可信度 × 查询频率），低分的自动归档或稀疏化。不然图一膨胀，检索就慢死。

2. 摄取管道别串行
“文档→分块→提取→解析"线性跑，吞吐量上不去。改成按阶段分队列、配独立工作池的异步架构，再加背压机制，才能稳。

3. 输出验证不能省
时间字段统一成 ISO-8601，实体类型锁进受控词表，再加一层轻量模型做健全性检查。结构化日志带上可追踪 ID，数据漂移了能提前报警。

跟上一篇怎么接上

上篇说 Ontology 是 Agent 的语义地基。本篇讲的，是这块地基怎么处理"时间”——这是真实业务里最容易塌的地方。

对了，这里有个认知岔路值得记一下：Anthropic 在《Building Effective AI Agents》里说，早期用精细的上下文工程就能顶一阵，不一定非要上正式本体；但要从 Demo 走到工业级，必须建立控制循环。OpenAI 这篇则是直接从本体/图谱入手。两条路不矛盾——Anthropic 说的是"轻量起步”，OpenAI 展示的是"规模化后图层的样子”。

📝 小结

  • • 传统知识图谱把事实当静止的，真实世界的事实会过期，不记时间就会给 Agent 喂毒数据

  • • 时间感知图谱每个三元组带 t_created / t_expired，靠"失效 Agent"打叉号、连 invalidated_by 来维护正确性

  • • 多跳推理让 Agent 沿关系边走多步，回答单跳查不到的复杂时序问题

  • • 模型选择：4.1 原型 → mini 优化 → 蒸馏小模型，别一上来就堆贵的

  • • 生产化三件事：图谱瘦身、摄取并行化、输出强验证

🔮 下一篇预告

图谱和 Agent 的事我们说清了。但企业里最头铁的玩家不是 OpenAI，是 Palantir——他们把 Ontology 玩成了整个平台的心脏。

下一篇，我们看 Palantir 怎么用"本体"把 Agent 和企业决策绑在一起，以及那个听起来很玄的"数字双胞胎"到底是怎么回事。

📚 系列导航

  • • 第 01 篇：Ontology：被低估的 AI Agent 核心基础设施

  • • 第 02 篇：时间感知知识图谱：让 Agent 记住"什么时候什么是真的" ⬅️ 你在这里

  • • 第 03 篇：Palantir 模式：本体如何成为企业 AI 的决策中枢

  • • 第 04 篇：Microsoft Fabric：企业语义层的工程实践

  • • 第 05 篇：Ontology 动手构建：OWL/RDF/SPARQL 实战指南

  • • 第 06 篇：Ontology 工具链：OSDK + MCP 实战指南

  • • 第 07 篇：从 Demo 到生产：规模化 Agent 的 Ontology 设计决策

📖 本系列参考资料

  • • Temporal Agents with Knowledge Graphs — OpenAI Cookbook[1]

  • • Building Effective AI Agents — Anthropic Engineering[2]

  • • Zep — 时间知识图谱参考实现[3]

  • • Graphiti — 知识图谱构建框架[4]

引用链接

[1] Temporal Agents with Knowledge Graphs — OpenAI Cookbook: https://developers.openai.com/cookbook/examples/partners/temporal_agents_with_knowledge_graphs/temporal_agents
[2] Building Effective AI Agents — Anthropic Engineering: https://www.anthropic.com/engineering/building-effective-agents
[3] Zep — 时间知识图谱参考实现: https://github.com/getzep/zep
[4] Graphiti — 知识图谱构建框架: https://github.com/getzep/graphiti