当企业知识图谱遭遇分类困境，往往不是分得不够细，而是维度本身出了问题。本文通过通信运营商知识体系的真实案例，揭示树状分类在多维交叉场景中的结构性缺陷，并提出用标签体系替代传统分类的解决方案。从底层逻辑到实操方法，带你破解知识建模中最常见的'越分越乱'困局。

做企业知识图谱这半年，我踩过不少坑。但有一个坑，是几乎每个做知识建模的人都会撞、撞上了还经常不知道自己撞了什么——

分类做着做着，就乱了。

不是分得不够多，恰恰相反，是越分越多、越多越乱：条目互相重复、有些东西怎么归都不对、同一个东西放在 A 类也行放在 B 类也行。最后整个分类体系变成一团，谁来都理不清。

这篇想把这个坑讲清楚。如果你在做知识图谱、知识库、RAG 的知识组织，或者任何需要”给一堆东西分类”的工作，希望它帮你少走一段弯路。

一、先看一个具体的死结

我做的是某通信运营商的知识体系。一开始的任务很朴素：把业务知识分类，建立一套分类体系。

我们定了大概 70 个分类。listed 出来之后，问题立刻就来了。

举一个最典型的。我们有一个分类叫”政企产品”，又有一个分类叫”宽带产品”。看起来都没问题——直到出现一个东西：面向政企客户的宽带产品。

它该放哪？

放进”政企产品”？可它确实是宽带。放进”宽带产品”？可它确实是政企的。两个都放？那这条知识就在体系里重复了，以后一更新就要改两个地方，迟早不一致。

这不是个例。一旦你较真，就会发现这样的”两难”到处都是。你会本能地觉得是自己没想清楚、是分类还不够细——于是再去加分类、再去定规则。但越加越乱。

我卡了很久才意识到：问题根本不在”分得够不够细”，问题在分类的”维度”本身就错了。

二、为什么会死结：你把两个维度塞进了一棵树

把上面那个例子拆开看：

• “政企产品”——这是按客户类型分的（政企客户 / 家庭客户 / 个人客户）
• “宽带产品”——这是按产品形态分的（宽带 / 移动 / 语音 / IPTV）

「客户类型」和「产品形态」，是两个互相独立的维度。

一个产品，它在”客户维度”上有个位置，在”产品维度”上也有个位置，这两个位置是同时成立、互不冲突的。”面向政企的宽带”——它在客户维度是”政企”，在产品维度是”宽带”，本来一点都不矛盾。

矛盾是怎么来的？是因为你建了一棵树。

树状分类的本质是：每个东西只能挂在一根树枝上，只能有一个位置。可现实里这个产品有两个身份（政企的、宽带的），你却只给它一个位置——于是它必须二选一，于是就死结了。

你把两个维度，硬压进了一个单一维度的树里。这就是病根。

这个问题在知识工程里有个名字，叫多维交叉分类。它不是某个人没想清楚，它是”用树状结构去表达多维事物”时必然产生的结构性矛盾。你再聪明、再细致，只要还在用一棵树，这个结都解不开。

三、正确的解法：不要分类树，要多维标签

解法说出来其实很简单：别让一个东西只有一个位置，让它同时拥有多个维度的标签。

还是那个产品，正确的描述方式不是”它属于哪一类”，而是给它打一组标签：

• 客户维度：政企
• 产品维度：宽带
• 渠道维度：线上 / 线下
• 生命周期维度：在售 / 即将下架

这样一来：

“面向政企的宽带”不再需要二选一了——它就是客户=政企+产品=宽带，两个标签同时成立。

你想看”所有政企产品”，就筛客户=政企；想看”所有宽带”，就筛产品=宽带；两个条件一起筛，就是”政企的宽带”。

这条知识在系统里只存一份，更新一次就行，不会出现”改了 A 类忘了改 B 类”的不一致。

知识图谱本来就该是这样——图谱的”实体-属性”结构，天生适合多维标签。一个实体（产品），挂多个属性（客户类型、产品形态、渠道、生命周期），这才是图谱该有的样子。

“非要给它建一棵唯一归属的分类树”，是在用图谱做关系型分类该做的事，是用错了工具。

四、那”分类”就完全不要了吗？

也不是。这里要讲一个分寸，否则容易从一个极端走到另一个极端。

树状分类不是没用，它适合“天然单维、天然有层级”的东西。比如组织架构（公司-部门-科室）、行政区划（省-市-区），这些本来就是一棵树，用树就对了。

多维标签适合“多维、交叉、需要灵活组合查询”的东西。企业的产品体系、知识体系，绝大多数属于这一类。

判断方法也很简单，给你一个可以直接用的检验动作：

当你定下一套分类，挑几个最”难归类”的条目去套它。如果你发现某个条目”放这也行、放那也行”，或者”哪都不太对”——这不是你没想清楚，这是一个信号：你正在用单维的树，去装多维的东西。

这个”难归类的条目”，不是麻烦，是体系在向你报警。别去硬归它，要回头看是不是维度错了。

五、为什么这件事，比看起来重要

你可能觉得这只是个”分类技巧”。但在知识图谱、RAG 这类项目里，它的影响是底层的。

知识的组织方式，直接决定了上层 AI 的检索效果。如果底层是一棵打满补丁、到处重复、自相矛盾的分类树，那么：

检索时，同一个东西因为存了多份、归类不一致，召回会混乱

知识更新时，一处改动要同步多个地方，时间一长必然出现冲突的知识

冲突、过时的知识被 AI 检索出来，就是幻觉和错误回答的源头之一

一个看似”上层”的 AI 回答质量问题，根子可能在最底层的分类维度上。知识建模这一步看着不起眼、不性感，但它是地基。地基的维度错了，上面盖什么都会歪。

回到我自己。我现在每天还在做这套知识体系，还在和那些”难归类”的条目打交道。

但和半年前不一样的是——现在每当我遇到一个”放哪都不对”的东西，我不再急着替它找个位置了。我会先停下来问一句：

是这个东西难归类，还是我的维度错了？大多数时候，答案是后者。

这是本人「企业 AI 落地观察」系列的知识图谱标签构建方面所想，主页还有更多实战经验，欢迎大家评论互动。