一、法律知识图谱概述

大家好，我是这门课的主讲人。做了十来年法律科技，我见过太多人把知识图谱想得太玄乎。其实说白了，知识图谱就是一种用图的方式组织知识的方法。今天咱们就从最基础的东西聊起。

1.1 什么是知识图谱

知识图谱，英文叫 Knowledge Graph。它不是某个公司发明的概念，而是人类认知世界的一种自然方式。

举个例子。你看到「张三」这个人，脑子里会关联出什么？可能是「律师」、「北京」、「代理过某案件」、「毕业于某法学院」。这些信息天然就是一张网，而不是一行行的表格。

知识图谱的核心就三个要素：

• 实体：现实世界中的对象，比如人、公司、法律条文
• 关系：实体之间的连接，比如「代理」、「引用」、「属于」
• 属性：实体的特征，比如「出生日期」、「执业领域」

用技术术语说，知识图谱就是 （实体，关系，实体） 的三元组集合。比如：

（张三， 执业于， 某律师事务所）
（某律师事务所， 位于， 北京市朝阳区）
（张三， 代理， 某合同纠纷案）

我个人习惯把知识图谱理解成「带语义的数据库」。传统数据库存的是孤立的记录，而知识图谱存的是有意义的连接。

1.2 法律领域的特殊性

法律领域做知识图谱，跟做电商、医疗的知识图谱完全不是一回事。我在项目中踩过不少坑，这里跟大家分享几点。

第一，法律知识是高度结构化的。

法律条文有明确的层级：编、章、节、条、款、项、目。这种结构天然适合用图谱来表达。但问题在于，结构不等于语义。同一个法条在不同案件中的解释可能完全不同。

第二，法律知识是动态变化的。

法律法规会修订，司法解释会更新，判例会推翻之前的判例。你想想看，一个知识图谱如果建完就固定不动，三个月后可能就过时了。我曾经维护过一个法律知识图谱，每周都要处理几十条法规变更——嗯，那段时间真是头大。

第三，法律知识存在大量模糊性。

「合理期限」、「重大损失」、「情节严重」——这些词在法律文本里随处可见。它们没有明确的数值边界。知识图谱怎么表达这种模糊性？这是个难题。

第四，法律推理需要可解释性。

法官判案要写判决书，律师代理要写代理词。每一步推理都要有依据。知识图谱如果只是给出一个结论，而不展示推理路径，在法律场景下基本不可用。

1.3 知识图谱与大模型的关系

这两年大模型火得一塌糊涂。很多人问我：有了大模型，知识图谱是不是过时了？

我的回答是：恰恰相反。

大模型和知识图谱是互补关系，不是替代关系。我画了一张图来说明：

这张图想表达什么？

• 知识图谱擅长精确和可解释：它知道「A引用B」就是引用关系，不会胡说。
• 大模型擅长语义理解和泛化：你问它「合同纠纷怎么处理」，它能给你一段流畅的回答，哪怕训练数据里没有完全匹配的案例。
• 两者结合才是王道：用知识图谱给大模型提供事实依据，用大模型来补全知识图谱中缺失的关系。

举个例子。我做过一个项目，用大模型从裁判文书中抽取实体和关系，然后自动构建知识图谱。大模型负责理解文本，知识图谱负责存储和推理。效果比纯规则方法好了不止一个量级。

1.4 课程整体架构

这门课一共30章，我把它分成四个模块：

模块	章节范围	核心内容
基础篇	第1-8章	知识图谱基础、法律本体设计、实体关系抽取、图数据库入门
进阶篇	第9-16章	大模型基础、Prompt工程、法律文本理解、知识增强生成（RAG）
实战篇	第17-24章	法律知识图谱构建全流程、大模型微调、智能问答系统、案例推理
前沿篇	第25-30章	多模态法律知识图谱、动态图谱更新、法律大模型评估、行业落地案例

每个模块我都安排了动手实践。我个人习惯是「学一章，练一章」。光看不练，你永远不知道知识图谱里的坑有多深。

举个例子，第5章我们会用Python从裁判文书中抽取实体关系。到时候我会带着大家一行一行写代码，包括我当年踩过的那些坑——比如正则表达式匹配法条编号时，被「第XXX条」和「第X条之X」搞崩溃的经历。

好了，第一章就到这里。记住一句话：知识图谱不是银弹，大模型也不是。但把它们用好，能解决很多实际问题。

---