不只是文件歸檔：如何用 GraphRAG 將資深專家的隱性知識，轉化為可傳承的判斷體系

許多組織在知識管理上的挫敗，根源並非文件不足或系統不力，而是錯把「文件歸檔」當成了「知識傳承」。我們真正想保存的，是資深人員腦中那張關於「為何這樣判斷」的隱形地圖，但這份寶貴的隱性知識（tacit knowledge）卻總在員工離職時一同消失。然而，近期以圖譜檢索增強生成（Graph RAG）為代表的混合式架構，提供了一個全新的可能性：它不僅是找資料的工具，更是將經驗脈絡結構化、讓判斷邏輯得以被推論與傳承的系統化方法。

知識管理真正的挑戰：為何光有文件還不夠？

企業導入了各式各樣的知識庫、Wiki 系統，期望將知識留下，但結果往往不盡人意。文件、報告、會議記錄被大量儲存，但最關鍵的資產——資深專家的判斷經驗——卻難以捕捉。

哲學家 Michael Polanyi 曾提出一個經典概念：「我們知道的，比我們能說出來的還多。」這正是隱性知識（tacit knowledge）的核心，正如 野中郁次郎 (Ikujiro Nonaka) 在 1991 年提出的「知識創造型公司」中所強調的。它關乎直覺、經驗法則，以及在複雜情境下權衡不同因素的決策過程。

傳統的關鍵字搜尋或甚至是向量檢索（Vector Search），雖然大幅提升了尋找「相關文件」的效率，但它們本質上仍在處理「是什麼」的問題。它們可以快速找到提到「A 材料」與「B 規範」的報告，卻無法回答「當年為什麼我們選擇 A 材料來符合 B 規範，而不是更便宜的 C 材料？」這個問題的答案，往往散落在不同專案的報告、數封電子郵件的討論串，以及某位資深工程師的記憶中。這些碎片化的資訊點如果沒有被有意義地連結起來，就只是一堆數位塵埃，無法形成可傳承的智慧。

為什麼傳統 RAG 仍有其極限？

檢索增強生成（Retrieval-Augmented Generation, RAG）技術的出現，正如 Lewis 等人於 2020 年提出的研究所示，讓大型語言模型（LLM）能根據私有資料回答問題，是知識管理的一大步。標準的 RAG 依賴向量資料庫，將文件切分成小區塊（chunks）並轉換成向量，透過計算語義相似度來找出相關內容。這在處理單一、直接的問題時非常有效。

然而，它的限制也很明顯。向量檢索擅長找到「相似」的資訊，卻不擅長處理需要「多步推論」（multi-hop reasoning）的複雜問題。例如，一個土木工程領域的問題可能是：「A 法規在去年更新後，哪些過去五年內、採用了 B 技術標準的 C 類專案，可能存在合規風險？」

要回答這個問題，系統需要：

1. 找到新的 A 法規內容。
2. 找出與舊 A 法規相關的 B 技術標準。
3. 篩選出所有採用了 B 技術標準的 C 類專案。
4. 比對這些專案的時程是否落在五年內。

這是一個典型的圖譜遍歷（graph traversal）問題。傳統 RAG 將知識視為獨立的資訊孤島，難以有效建立並利用這些實體之間的複雜關係。它或許能分別找到關於法規、標準和專案的文件，卻無法將它們串連成一條完整的推論鏈。

GraphRAG 如何表示「判斷的脈絡」？

GraphRAG 的核心思想，就是將向量檢索的「點查找」能力與知識圖譜（Knowledge Graph）的「關係推論」能力結合起來。它承認了真實世界的知識並非扁平的，而是由不同實體（人、事、物、概念）及其間的複雜關係所構成的網絡。

這個混合架構的運作方式大致如下：

• 知識圖譜為骨幹：首先，透過領域本體（Domain Ontology）定義出關鍵實體（如：法規、專案、技術、專家）與它們之間的關係（如：引用、負責、基於、影響）。接著，利用 LLM 或其他 NLP 技術從非結構化文件中自動抽取出這些實體與關係，建立知識圖譜。這類圖譜技術在 現代 AI 應用中扮演著關鍵角色。
• 向量檢索為入口：圖譜中的每個節點（node）所包含的文字內容，同時也被索引到向量資料庫中。當使用者提出問題時，系統首先透過向量檢索，快速定位到圖譜中最相關的幾個起始節點。
• 圖譜遍歷擴展脈絡：從這些起始節點出發，系統開始在圖譜上進行擴展搜索，找出與其直接或間接相關的實體，例如找出引用該法規的專案、負責該專案的工程師等。這個過程能夠在短短幾毫秒內完成超過 2-3 個「跳躍」（hops）的深度探索，收集到一個富含上下文的子圖（subgraph）。
• LLM 綜合回答：最後，將這個包含多元關係與實體的子圖資訊，連同原始問題，一起提交給 LLM。LLM 基於這個已經被結構化的「判斷脈絡」，生成一個有深度、有依據的答案。

我們真正想保存的，從來不是文件本身，而是資深人員腦中的那張隱形關係圖——那份關於「什麼與什麼有關」、「為何 A 導致 B」、「在 C 情況下要優先考慮 D」的判斷地圖。

正如 Microsoft Research 的 GraphRAG 專案所展示的，這種方法能從大量非結構化數據中，自動建構知識圖譜並回答複雜問題。這不僅是技術上的演進，更是思維上的轉變：我們不再將知識視為一個個獨立的文本片段，而是將其視為一個動態、互聯的知識體系。

這個體系，第一次讓隱性知識有了被「表示」出來的可能。資深專家的判斷邏輯，不再只是腦中的直覺，而是可以被表示為圖譜中的一條條路徑、一個個關聯。當新進人員詢問一個複雜的歷史決策時，系統給出的不僅是結論，更是導出這個結論的完整脈絡。這，才是真正意義上的知識傳承。

從文件檢索到知識傳承，這是一條漫長但清晰的道路。結合圖譜與向量的混合式架構，為我們提供了一把鑰匙，去解鎖組織中最寶貴、卻也最難以捉摸的資產。這不只是導入一套新系統，而是重新定義我們如何看待、保存與活化組織的集體智慧。

延伸閱讀

• Lewis, P., et al. (2020). "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks". The foundational paper on RAG.
• Microsoft Research. "GraphRAG: Unlocking a New Paradigm in LLM-Powered Knowledge Discovery". Official project page.
• Neo4j. "Knowledge Graphs & Generative AI". A practical overview of how graph databases power modern AI applications.
• Nonaka, I. (1991). "The Knowledge-Creating Company". A classic Harvard Business Review article on tacit and explicit knowledge.

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。