deepseek 不替代本体设计与人工校验，但在信息抽取、关系补全、动态演化和多源对齐四环节降本；需预切分短文本、用领域微调权重、手动约束 delta_nodes、显式提供跨模态锚点、避免直接用 search() 生成节点，并确保输入已实体消歧。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
DeepSeek 不是知识图谱构建的“自动完成工具”，它不替代本体设计、schema 定义或人工校验环节，但能在信息抽取、关系补全、动态演化和多源对齐这四个关键瓶颈上显著降低工程成本。
用 streamknowledgeextractor 做实时三元组抽取，别直接喂原始文本
常见错误是把整篇PDF或长网页丢给模型，指望它吐出干净的 (实体A, 关系, 实体B)。实际中，streamknowledgeextractor 的设计目标是处理**流式短文本片段**（如新闻标题、推文、段落摘要），而非全文。
实操建议：
- 先做预切分：按句子或语义段落拆分原文，过滤掉表格、脚注、广告等干扰内容
- 对每个片段调用
extract_relations()，而非整文档调用 - 注意其默认输出是 CRF 标签序列，需后处理为三元组；例如
["B-ORG", "I-ORG", "O", "B-LOC"]要聚合成("Apple", "headquartered_in", "Cupertino") - 金融/医疗等专业领域，必须用对应领域的微调权重（如
deepseek-finance-ner），原生bert-base-chinese在“质押率”“房颤射频消融”等术语上会漏识别
dynamic-gnn 更新图谱时，子图范围必须手动约束
很多人误以为 incremental_update() 能全自动定位所有受影响节点。实际上，它的 delta_nodes 参数需要你提供明确的触发集合——比如“新增一篇关于‘GLP-1受体激动剂’的论文”，就得先人工或规则提取出核心实体 ["GLP-1", "受体激动剂", "糖尿病"] 作为输入。
否则系统会退化为全图扫描，失去增量意义。实验数据显示，未限定 delta_nodes 时，更新耗时从 1.5 小时回升至 9 小时以上。
关键点：
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
-
delta_nodes不是预测结果，是你对变更影响边界的**先验判断** - 可用简单规则兜底：新增实体若在已有图谱中
degree > 5，则将其邻居两跳内节点全部纳入delta_nodes - 时间戳字段必须写入边属性（如
updated_at: "2026-05-14"），否则temporal_graph_convolution无法生效
跨模态对齐不是“自动配对”，得靠 mka 的权重接口干预
当你要把论文里的“图3：心肌灌注SPECT图像”和正文中的“前降支狭窄导致灌注缺损”关联起来，mka 框架不会凭空建立连接。它依赖你显式传入锚点：
- 图像侧：提供 ROI 坐标或 CLIP 图像 embedding（不能只传 jpg 路径）
- 文本侧：标注对应描述句的起止 token 位置（非整段）
- 调用
mka.align(image_emb, text_span, task="diagnosis")时，task参数决定模态权重分配——在“教学图解”场景下设为"education"，图像权重会上调 30%
漏掉任一锚点，mka 就退化为无监督对比学习，召回率断崖下跌。
别依赖 deepseek.search() 直接生成图谱节点
这个 API 是为检索优化的，返回的是排序后的文档 ID 和相关性分数，**不保证三元组结构完整**。有人把它当 kg_builder.search_and_extract() 用，结果发现：
- 同义词未归一化：“iPhone 15 Pro” 和 “苹果手机15 Pro” 被当作两个独立节点
- 关系缺失：返回“特斯拉上海工厂产能爬坡”，但没抽取出
(特斯拉, has_factory, 上海) - 置信度过滤不透明：无法设置
confidence > 0.85这类阈值，只能靠后处理筛
正确做法是把它当“初筛器”：先用 deepseek.search() 找出高相关文档集，再用 streamknowledgeextractor 逐篇精抽。跳过这一步，图谱噪声会指数级增长。
最易被忽略的一点：所有 DeepSeek 工具链都假设输入已做过**实体消歧**。如果你喂进去的“苹果”没提前标注是公司还是水果，后续所有图谱操作都会污染下游推理路径。
