面向中医妇科的家庭健康咨询与分诊，MAGR-TCM把741份临床病案整理成含10231个实体、32051条关系的知识图谱，再让四个分工不同的智能体沿“病—证—治则—方—药”链条逐步推理。在30例独立测试病案上，它的RAGAS忠实度得分为0.821，高于GraphRAG的0.766、LightRAG的0.651和Naive RAG的0.590；在含10例急症与20例常规病例的安全测试集中，红旗机制全部正确拦截与放行，敏感度和特异度均为1.000。这些结果来自回顾性、专家标注的病案评估，尚未在真实家庭用户中做前瞻验证。
知识图谱问答通常按相关性排序把事实塞进提示词，但相关不等于足够、也不等于彼此一致。这套方法用关系知识（关系含义与组合规则，或从带关系路径标注的训练问题学到的映射）在图上搜出一条能推出答案的紧凑事实集，再用可推导性检查判断答案能否从上下文推出、一致性检查判断事实是否冲突，并由验证集选出的门控决定何时用推导答案替换大模型回答。在 WebQSP 上，七个开源模型读这套平均 14.7 条事实的上下文，精确匹配比读 SubgraphRAG 的 100 条事实平均高 10.2 个百分点。
英伟达发布开源库 Auto Ontology，用企业元数据构建上下文层，把数据在哪里、指标是什么意思、该不该用、怎么用、来自哪里以及哪些内容相似告诉 AI 智能体。它从元数据生成企业本体，也能接入已有的本体和语义模型，并跨系统调和相互冲突的定义；随后通过 MCP、CLI 和 API 把这份上下文提供给任意智能体框架，并在回答中附带来源。该库以 Apache License 2.0 分发，当前不接受外部贡献。
把GeneNetwork的1TB结构化数据改写成RDF图并配上文献语料后，文档、图、智能体三种检索增强生成并行合并的系统在40道专家题上把满意率从纯文档检索的36%提到86%，而把大部分工作交给本地模型仍能到59%。
作者提出 SciMuse，用包含 5800 万篇论文的知识图谱与大语言模型生成个性化科研想法，并邀请超过 100 位横跨自然科学到人文领域的研究组长对 4400 余条想法按兴趣程度评分，结果显示专家评分整体温和（5 分制均值 2.40，最常见评分为 1），24.9% 的想法获 4 分或 5 分；用知识图谱选出的概念对并未比仅用标题的 GPT 基线提升专家兴趣评分，高引用预测的概念对甚至呈现弱趋势（1.94σ）低于随机概念对；但图谱特征可用于控制想法属性，且基于图谱特征的监督神经网络与基于 LLM 的零样本排序都能预测想法兴趣度。
已读完全部报道