---
id: "2080420729636422039"
title: "模型的上下文窗口再大，对话一关，AI智能体的记忆照样清零。 想让它过目不忘，得建知识图谱，但传统做法代价极高。 你得拉起…"
account: "mubei"
brand: "@mubei"
category: "其它"
category_slug: "other"
score: null
percentile: null
published_at: "2026-07-24 08:03:50"
translated_x_url: "https://x.com/i/status/2080576533396173125"
reason_tags: []
canonical_url: "https://mubeitech.com/p/2080420729636422039"
markdown_url: "https://mubeitech.com/p/2080420729636422039/markdown"
json_url: "https://mubeitech.com/api/posts/2080420729636422039"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# 模型的上下文窗口再大，对话一关，AI智能体的记忆照样清零。 想让它过目不忘，得建知识图谱，但传统做法代价极高。 你得拉起…

模型的上下文窗口再大，对话一关，AI智能体的记忆照样清零。
想让它过目不忘，得建知识图谱，但传统做法代价极高。

你得拉起四个独立的机器学习模型：
一个做命名实体识别，一个做关系分类，一个搞实体归一化，再来一个生成摘要。
每个都要人工标数据，换个专业领域立马水土不服。

Boris Cherny发布了一份“图工程”操作手册，把这条流水线掀了。
那四个重度依赖训练的模型，被四个Claude提示词直接平替。

纯靠提示词接力。
抽取提示词用Haiku，直接从原始文档里抓取实体和主谓宾关系。
解析提示词用Sonnet，把不同写法的同一个名字精准合并成一个节点。
摘要提示词跨越不同文档，给核心实体生成全貌画像。
查询提示词顺着搭好的图谱，直接进行多步推理。

整套流程，不需要机器学习工程师。
唯一的“训练数据”，就是一个Pydantic代码结构。
没有外挂额外的自然语言处理库，也没有训练任何新模型。

原本阅后即焚的一次性上下文，就这样变成了永久可复用的知识图谱。

---

_Translation: <https://x.com/i/status/2080576533396173125>_
_Canonical: <https://mubeitech.com/p/2080420729636422039>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-07-24 08:03:50_