知识图谱（KG）正从静态结构迈向动态推理与智能体集成的新阶段。近期研究显示，KG 与大型语言模型（LLM）、图神经网络（GNN）的融合加速，聚焦于提升推理能力、解决上下文限制及简化构建流程。
- 核心进展包括：
- 科学知识图谱自动化构建：Agents-K1 提出面向智能体的科学 KG 管线，通过多代理协作自动抽取、融合和推理科学知识，强化从文献到可执行知识的转化。
- BIM 领域图形推理合规检查：SGR-BIM 框架利用图语义推理对 BIM 几何模型进行合规性自动检查，将空间关系转化为图结构，提升建筑审查的准确性与效率。
- 本地记忆与上下文增强：Kocoro 开源 Mac 本地 AI 记忆框架，通过 KG 管理长期上下文，解决 LLM 上下文窗口不足问题，使模型能持续引用跨会话知识。
- 领域特定 KG 构建：ArthaNethra 展示从 PDF 中自动构建金融知识图谱的全流程，覆盖实体抽取、关系识别与图存储，降低专业领域 KG 构建门槛。
- 关联替代向量相似性：Neo4j 副总裁强调上下文图（Context Graph）对智能体推理的重要性，指出向量搜索只返回相似性结果，而图结构能揭示实体间关联，从而支持复杂推理。
- 检索框架创新：SeedER 提出种子扩展检索框架，从少量种子实体出发，利用 KG 结构逐步扩展相关实体与关系，显著提升知识密集型任务的检索覆盖率。
- 多模态与跨域融合：AIMBio-Mat 是 AI 原生 FAIR 平台，将材料发现与生物医学数据通过 KG 对齐，实现跨领域知识闭环。
当前焦点在于：KG 与 LLM 的协同如何平衡结构推理与语义理解；动态图与增量学习的发展；以及建立可复用的知识表示标准。未来观察点包括：知识图谱在智能体系统中的自治性提升，以及纯向量方法与图结构方法的融合趋势。