К основному содержанию
скилл CX Codex

knowledge-graph-builder — скилл для Claude Code

Скилл knowledge-graph-builder для Claude Code проектирует граф знаний, помогает выбрать графовую БД и связать обход графа с векторным поиском. Решает задачи Graph RAG и проверки фактов.

MIT 222 установок ★ 29 обновлён 2026-08-17

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add oakoss/agent-skills --skill knowledge-graph-builder -a claude-code
Открыть на GitHub

Что делает knowledge-graph-builder

knowledge-graph-builder описывает создание графов знаний для AI-систем: проектирование онтологии, извлечение сущностей и связей, разрешение дублей, шаблоны запросов и интеграцию с ИИ. В материалах разобраны Neo4j, Neptune, ArangoDB и TigerGraph, а также гибридная схема с графовым обходом и векторным поиском.

Скилл предлагает сначала определить типы сущностей, связи и свойства, затем проверить модель на целевых запросах и расширять граф постепенно. Для связей советуется хранить оценку уверенности от 0.0 до 1.0 и источник. Внутри есть отдельные материалы по онтологиям, выбору БД, извлечению сущностей, гибридной архитектуре, Cypher и AI-интеграции.

Для простых табличных данных и поиска по документам без связей этот подход не подходит. Схему нужно валидировать до загрузки сущностей, потому что позднее её изменение становится дорогим.

Какие задачи решает

  • спроектировать онтологию для предметной области
  • извлечь сущности и связи из неструктурированного текста
  • выбрать Neo4j, Neptune, ArangoDB или TigerGraph
  • собрать гибридный поиск по графу и векторам
  • проверить ответы ИИ по структурированным фактам

Примеры запросов агенту

  • Спроектируй онтологию для этого домена и перечисли типы сущностей, связи и свойства.
  • Извлеки из документов сущности и отношения, устрани дубли и добавь оценку уверенности с источником.
  • Сравни Neo4j, Neptune, ArangoDB и TigerGraph для моих объёма данных и шаблонов запросов.

Как установить knowledge-graph-builder

1Через Skills CLI (Vercel)

npx skills add oakoss/agent-skills --skill knowledge-graph-builder -a claude-code

2Вручную: положить файлы

~/.claude/skills/knowledge-graph-builder/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/knowledge-graph-builder/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о knowledge-graph-builder

Как установить knowledge-graph-builder в Claude Code?

Выполните npx skills add oakoss/agent-skills --skill knowledge-graph-builder -a claude-code, затем проверьте файл ~/.claude/skills/knowledge-graph-builder/SKILL.md.

Что делает knowledge-graph-builder?

Скилл помогает строить графы знаний: проектировать онтологии, извлекать сущности и связи, выбирать графовую БД и соединять графовый поиск с векторным.

Какие базы данных рассматривает knowledge-graph-builder?

В материалах сравниваются Neo4j, Neptune, ArangoDB и TigerGraph с учётом масштаба, инфраструктуры и сложности запросов.

Исходный текст

SKILL.md · MIT
---
name: knowledge-graph-builder
description: >
  Implements knowledge graphs for AI-enhanced relational knowledge. Covers ontology design, graph database selection (Neo4j, Neptune, ArangoDB, TigerGraph), entity extraction, hybrid graph-vector architecture, query patterns, and AI integration.

  Use when implementing knowledge graphs, designing ontologies, extracting entities and relationships, selecting a graph database, or building hybrid graph-vector search. Use for knowledge graph, ontology design, entity resolution, graph RAG, hallucination detection. For architecture selection and governance, use the knowledge-base-manager skill. For document retrieval pipelines, use the rag-implementer skill.
license: MIT
metadata:
  author: oakoss
  version: '1.0'
---

# Knowledge Graph Builder

## Overview

Knowledge graphs make implicit relationships explicit, enabling AI systems to reason about connections, verify facts, and reduce hallucinations. They combine structured entity-relationship modeling with semantic search for powerful knowledge retrieval.

**When to use:** Complex entity relationships central to the domain, verifying AI-generated facts against structured knowledge, semantic search combined with relationship traversal, recommendation systems, fraud detection, or pattern recognition.

**When NOT to use:** Simple tabular data (use a relational database), purely document-based search with no relationships (use the `rag-implementer` skill), read-heavy workloads with no traversal needs, or when the team lacks graph modeling expertise. For KB architecture selection and governance, use the `knowledge-base-manager` skill.

## Quick Reference

| Pattern             | Approach                                                                                   | Key Points                                                          |
| ------------------- | ------------------------------------------------------------------------------------------ | ------------------------------------------------------------------- |
| Ontology first      | Define entity types, relationships, properties before ingesting data                       | Changing schema later is expensive; validate with domain experts    |
| Entity resolution   | Deduplicate aggressively during extraction                                                 | "Apple Inc" = "Apple" = "Apple Computer" must resolve to one entity |
| Confidence scoring  | Attach 0.0-1.0 score + source to every relationship                                        | Enables filtering by reliability, critical for AI grounding         |
| Hybrid architecture | Graph traversal (structured) + vector search (semantic)                                    | Vector finds candidates, graph expands context via relationships    |
| Incremental build   | Core entities first, validate against target queries, then expand                          | Avoid building the full graph before testing with real queries      |
| Database selection  | Neo4j (general), Neptune (AWS managed), ArangoDB (multi-model), TigerGraph (massive scale) | Match database to scale, infrastructure, and query complexity       |

## Common Mistakes

| Mistake                                                     | Correct Pattern                                                                              |
| ----------------------------------------------------------- | -------------------------------------------------------------------------------------------- |
| Ingesting entities before designing the ontology            | Define and validate the ontology with domain experts first; changing later is expensive      |
| Skipping entity resolution and deduplication                | Deduplicate aggressively so "Apple Inc", "Apple", and "Apple Computer" resolve to one entity |
| Omitting confidence scores on relationships                 | Attach a 0.0-1.0 confidence score and source to every relationship                           |
| Using only graph traversal without vector search            | Implement hybrid architecture combining graph traversal with semantic vector search          |
| Building the full graph before validating with real queries | Start with core entities, test against target queries, then expand incrementally             |
| Choosing a database before understanding scale requirements | Evaluate query patterns, data volume, and infrastructure constraints before selecting        |

## Delegation

- **Extract entities and relationships from unstructured text**: Use `Task` agent to run NER pipelines and build relationship triples
- **Evaluate graph database options for project requirements**: Use `Explore` agent to compare Neo4j, Neptune, ArangoDB, and TigerGraph against scale and query needs
- **Design ontology and hybrid architecture for a new domain**: Use `Plan` agent to define entity types, relationship schemas, and graph-vector integration strategy
- For hybrid KG+RAG systems, delegate to the `rag-implementer` skill
- For knowledge-graph-powered agent workflows, delegate to the `agent-patterns` skill

## References

- [Ontology Design](references/ontology-design.md) — Entity types, relationships, properties, RDF schema, validation
- [Database Selection](references/database-selection.md) — Neo4j, Neptune, ArangoDB, TigerGraph comparison and setup
- [Entity Extraction](references/entity-extraction.md) — NER pipeline, relationship extraction, LLM-based extraction
- [Hybrid Architecture](references/hybrid-architecture.md) — Graph + vector integration, hybrid search implementation
- [Query Patterns](references/query-patterns.md) — Cypher queries, API design, common traversal patterns
- [AI Integration](references/ai-integration.md) — KG-RAG, hallucination detection, grounded response generation

© oakoss · MIT · oakoss/agent-skills

Похожие скиллы

Все скиллы по теме «Данные и базы» →
Knowledge Graph Builder daffy0208 Скилл Knowledge Graph Builder для Claude Code проектирует графы знаний: описывает онтологию, помогает выбрать графовую БД и извлекает сущности и связи. Работает с данными, где важны связи между людьми, компаниями или документами. CX Codex +1 438установок knowledge-graph-construction lyndonkl Скилл knowledge-graph-construction помогает спроектировать граф знаний: выбрать модель данных между LPG и RDF, составить схему сущностей и настроить пайплайн извлечения фактов для RAG. CX Codex +1 103установок agency-knowledge-graph-engineer huytran1120 Скилл agency-knowledge-graph-engineer для Claude Code превращает неструктурированные тексты в граф знаний из сущностей и связей. Снижает расход токенов за счёт выдачи нужных подграфов. CX Codex +1 ★ 85звёзд репо Knowledge Base Manager daffy0208 Скилл Knowledge Base Manager для проектирования и ведения баз знаний на Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI и OpenCode. Соединяет документный поиск (RAG) и граф сущностей в одном рабочем процессе. CX Codex +1 443установок Psychedelics Knowledge Graph povilaskarvelis MCP-сервер Psychedelics Knowledge Graph для Claude Code, предоставляющий ИИ-агентам доступ к графу знаний о психоделических исследованиях. Позволяет искать научные работы, соединения и результаты экспериментов. CX Codex +1 ★ 6звёзд репо google-knowledge-graph houtini-ai Подключает агента к Google Knowledge Graph API. Помогает проверять факты о людях, компаниях и местах прямо во время работы. CX Codex +1 ★ 13звёзд репо

Из того же набора106

Весь набор →
vitest-testing Скилл vitest-testing обучает агента писать модульные, компонентные и интеграционные тесты на Vitest. Помогает настроить моки, проверять хуки и тестировать компоненты. CX Codex +1 226установок content-humanizer Скилл content-humanizer переписывает черновик, который выдала модель, чтобы текст читался как написанный человеком: ритм фраз, тон, лишние оговорки. CX Codex +1 225установок zod-validation Скилл zod-validation учит агента синтаксису и правилам Zod v4 в TypeScript. Пригодится при составлении схем данных, валидации форм, парсинге API и конвертации схем в JSON Schema. CX Codex +1 222установок tanstack-form Помогает собирать формы на TanStack Form v1 в React и управлять их состоянием, валидацией и отправкой. Описывает работу со сложными и динамическими формами. CX Codex +1 222установок pino-logging Скилл pino-logging помогает настроить структурированные логи Pino в Node.js: от контекста запросов и маскировки секретов до вывода в разные места. CX Codex +1 217установок database-security Скилл database-security проверяет доступ к данным в Supabase, Postgres и Convex: покрытие RLS, дыры в политиках, аудит-логи. Пригодится перед релизом или при разборе инцидента. CX Codex +1 208установок typescript-patterns Скилл typescript-patterns учит ИИ-агента сложным приёмам TypeScript в строгом режиме. Он помогает избежать сбоев во время выполнения за счёт проверок на этапе сборки. CX Codex +1 202установок react-patterns Скилл react-patterns по React 19+: паттерны хуков, выбор управления состоянием, загрузка данных через use() и борьба с лишними ре-рендерами. CX Codex +1 201установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой