北京
如果AI能识别过时政策、把答案追溯到证据、发现互相矛盾的指令，并且在不知道的时候直接说"不知道"——会怎样？这是我在为 FalkorDB Graph Hackathon 2026 构建 SetuBrain 时探索的问题。
SetuBrain 的灵感来自 Y Combinator 的 Company Brain Request for Startups，目标是打通散落的公司知识，让AI的执行变得可靠。
传统 RAG 的问题很直接：公司知识散落在 PDF、内部 wiki、Slack 对话、政策和审批记录里。一个典型的检索增强生成系统能把相关文本捞出来，但遇到下面这些情况就卡住了：
- 旧政策和新政策冲突；
- 一个答案需要串联多个部门和审批；
- 两份文档给出互相矛盾的指令；
- 根本不存在已批准的处理流程。
检索到信息，不等于验证过信息。
SetuBrain 用 FalkorDB 作为图数据层，把公司知识表示成相互连接的实体，而不是孤立的文本块。比如这样一条链路：部门 → 流程 → 应用 → 政策 → 审批人。
借助 Cypher 查询，系统可以遍历这些关系、识别已被取代的政策、检测冲突，并把决策追溯到支撑证据。目标是把图关系变成推理过程的一部分，而不只是拿来做可视化。
具体怎么运转？可以拆成七块来看。
- 图驱动的知识：把部门、流程、应用、政策、联系人、决策和证据都表示为相连的节点。
- 政策验证：用图遍历和取代关系找出具有权威性的政策。
- 冲突检测：标记互相矛盾的政策，在把不确定的指令当作权威之前，先支持人工复核。
- 人在回路的学习：把缺失的知识升级给领域专家，并把获批的更新并入图中。
- 通过 MCP 集成智能体：用 Model Context Protocol 端点暴露由图支撑的工具，让兼容的AI客户端能调用 SetuBrain 的能力。
- 可复用的智能体技能：把经过验证的图信息编译成结构化的 SKILL.md 规范。
- 多租户架构：通过图选择来隔离不同租户的知识上下文，同时需要访问控制来安全地强制隔离。
在 SetuBrain 记录的 15 题企业基准测试中，这套方法给出了对应结果。这些结果只适用于这个特定测试集，不代表所有 RAG 或图系统。该基准考察的是多跳推理、过时政策、矛盾、缺失知识和证据溯源。
关键结论是：向量检索和图遍历解决的是不同问题，两者可以互补。
技术栈方面，Next.js 和 TypeScript 负责应用与界面，FalkorDB 与 Cypher 负责图存储和关系遍历，MCP 负责与兼容的AI智能体集成，Three.js 负责交互式 3D 知识图谱可视化，AI 智能体工作流则处理冲突复核、专家升级和技能生成。
构建 SetuBrain 让我更确信一条原则：一个可靠的AI系统，应该知道什么是已批准的、什么是过时的、什么存在冲突，以及什么时候需要人来判断。
企业AI的未来不只是生成更好的答案，而是构建能够验证自身知识、并负责任地处理不确定性的系统。
留给开发者的问题：你会信任一个由图驱动的AI智能体来管理公司知识吗？你会怎么做得不一样？
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
