AI Engineer引用溯源：LLM构建知识图谱的出处问题 — Daniel Chalef, Zep AI
Daniel Chalef 在 AI Engineer 播客中深入探讨了 LLM 构建知识图谱时的出处溯源难题。他指出，当 LLM 从多个来源合成事实时，传统标记方式无法追踪数据来源。他介绍了 Graphiti 框架，通过图结构实现来源追踪、标签继承和合规删除，为 AI 工程提供可调试的透明系统。
在 AI 工程领域，LLM 构建知识图谱时面临一个核心挑战：如何确保合成事实的出处可追溯？Daniel Chalef 在 AI Engineer 播客中直击痛点——当 LLM 从电子病历、实验室报告和患者聊天记录中合成“患者有青霉素过敏”这一事实时，医生无法知道具体来源。传统方法（如给事实打上来源 ID）在实体合并和后续数据更新后失效，因为存储状态不断变化。
Chalef 的解决方案是让出处本身成为图结构。在 Zep 的开源框架 Graphiti 中，每个来源被建模为“事件”，所有派生事实通过有向边链接回来源。这样，追溯一个事实的起源只需一次图遍历。例如，标记一个来源为“已验证临床来源”，该标签会自动继承到所有派生节点和边，使智能体可以只保留来自可信来源的事实。
删除操作同样通过反向图遍历实现：GDPR 要求删除某个来源时，系统会移除该来源节点，并检查每个派生事实是否还有其他来源支持。如果事实仅依赖被删除的来源，则一并删除；否则保留。这为合规性提供了清晰的审计轨迹。
对于中文 AI/科技读者，这个讨论极具价值。国内大模型应用同样面临数据溯源和合规问题，尤其在医疗、金融等强监管领域。Graphiti 的图结构溯源思路提供了一种可落地的工程方案，而不仅仅是理论探讨。此外，Zep 作为开源项目，降低了技术门槛，值得关注。
Chalef 的演讲还强调了可调试性：工程师不再面对黑盒，而是可以通过图结构理解智能体的决策路径。这对于构建可信 AI 系统至关重要。