我近期主导的一个核心项目，正是将知识图谱与大模型深度融合，打造面向企业知识库的智能问答系统。项目整体基于 Python 生态开发，为了处理每日产生的海量用户行为日志和异构数据源，我使用 Spark 构建了分布式数据处理管道，高效完成了数据清洗、特征提取和知识关联分析，将处理时间从小时级压缩到分钟级。在此基础上，利用 Neo4j 构建了包含百万级实体与关系的领域知识图谱，并集成大语言模型设计了智能体架构，让其具备多轮对话、上下文理解与任务分解能力。在实际问答流程中，我通过 NLP 技术实现用户意图的精准分类和实体链接，将问题映射到知识图谱子图后，采用检索增强生成（RAG）策略，使大模型能够基于结构化知识给出高可靠性、带溯源的答案。同时，我还引入推荐算法，根据用户画像和历史反馈对候选答案进行个性化排序，提升了信息匹配度。该项目上线后，核心场景的问答解决率提升超过 35%，也切实验证了知识图谱增强大模型在真实业务中的稳定性和准确性。