工作图谱 (Work Graph)

3 秒看懂

工作图谱 (Work Graph) 是用图结构 (Graph) 表示组织内工作流程、任务依赖、角色协作、工具调用、数据流转等要素的结构化知识表示。它是连接**“谁做什么、怎么做、用什么工具、产出什么”**的数字化骨架。

核心价值链： 企业流程知识 → 图结构化 → AI Agent 可理解/可规划/可自动化执行

一句话本质： 工作图谱 = 工作流程的机器可读”地图”，是 AI Agent 理解并自动化人类工作的基础设施。

3 分钟产业解释

问题背景：企业工作的”黑箱”

现代企业中，工作流程高度隐性化：

工作图谱解决什么？

将隐性流程显性化、结构化、机器可读化。

传统状态:                    工作图谱化后:
┌─────────────┐              ┌─────────────────────────────┐
│ 脑中知识     │              │ Node: 任务/角色/工具/数据    │
│ 口头交接     │   ────→     │ Edge: 依赖/调用/产出/审批    │
│ 邮件流转     │              │ 属性: 时间/频率/条件/SLA     │
│ 隐性经验     │              │ → AI Agent 可查询、规划、执行 │
└─────────────┘              └─────────────────────────────┘

产业信号

• 微软 (2014-2015): 提出 “Work Graph” 概念，作为 Office Graph/Microsoft Graph 的理论基础，强调以人为中心、连接人-内容-对话-任务的关系图谱。
• Process Mining (流程挖掘): Celonis、UiPath 等公司从 ERP/CRM 事件日志中挖掘实际流程，本质上是构建”已发生的工作图谱”。
• AI Agent 热潮 (2023-2025): Agent 需要理解任务结构才能自主规划执行，工作图谱成为 Agent 的”任务知识库”。

15 分钟专家深入

工作图谱的知识表示模型

1. 实体类型 (Node Types)

2. 关系类型 (Edge Types)

3. 典型图谱结构

                    ┌─────────────┐
                    │  触发事件    │
                    │ (客户下单)   │
                    └──────┬──────┘
                           │ triggers
                           ▼
                    ┌─────────────┐
          ┌────────│  订单确认    │────────┐
          │        └──────┬──────┘        │
          │               │               │
     uses_tool       depends_on      produces
          │               │               │
          ▼               ▼               ▼
    ┌──────────┐   ┌─────────────┐  ┌──────────┐
    │   ERP    │   │  库存检查    │  │ 订单数据 │
    │  系统    │   └──────┬──────┘  └──────────┘
    └──────────┘          │ depends_on
                          ▼
                   ┌─────────────┐
                   │  物流发货    │
                   └──────┬──────┘
                          │ executed_by
                          ▼
                   ┌─────────────┐
                   │  仓储团队    │
                   └─────────────┘

工作图谱 vs 相关概念辨析

技术实现层

图数据库选型考量

技术原理

工作图谱的核心技术栈

┌─────────────────────────────────────────────────────────┐
│                    应用层 (Applications)                  │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐  │
│  │ 流程挖掘 │ │ Agent    │ │ 智能排程 │ │ 流程合规   │  │
│  │ Process  │ │ Task     │ │ Resource │ │ Compliance │  │
│  │ Mining   │ │ Planning │ │ Scheduling│ │ Checking  │  │
│  └──────────┘ └──────────┘ └──────────┘ └────────────┘  │
├─────────────────────────────────────────────────────────┤
│                 推理层 (Reasoning Engine)                  │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────────┐ │
│  │ 路径分析      │ │ 因果推理      │ │ LLM + Graph RAG │ │
│  │ (依赖溯源)    │ │ (瓶颈识别)    │ │ (自然语言交互)  │ │
│  └──────────────┘ └──────────────┘ └──────────────────┘ │
├─────────────────────────────────────────────────────────┤
│                 图谱层 (Graph Store)                      │
│  ┌──────────────────────────────────────────────────┐   │
│  │  Property Graph (节点-边-属性)                     │   │
│  │  Neo4j / TigerGraph / Amazon Neptune / NebulaGraph│   │
│  └──────────────────────────────────────────────────┘   │
├─────────────────────────────────────────────────────────┤
│                 采集层 (Data Ingestion)                   │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐ │
│  │ ERP日志  │ │ CRM事件  │ │ 邮件/IM  │ │ 文档解析   │ │
│  │ SAP/Oracle│ │ Salesforce│ │ Teams/Slack│ │ SOP → 结构化│ │
│  └──────────┘ └──────────┘ └──────────┘ └────────────┘ │
└─────────────────────────────────────────────────────────┘

图谱构建的三种路径

路径 1：自上而下 (Top-Down) —— 咨询驱动

流程专家访谈 → BPMN 建模 → 转换为 Property Graph → 持续维护
优点: 逻辑清晰、可解释
缺点: 成本高、更新慢、与实际执行可能脱节

路径 2：自下而上 (Bottom-Up) —— 数据驱动

系统事件日志 → Process Mining → 自动发现流程 → 图谱化
优点: 反映真实执行、自动化程度高
缺点: 隐性知识难以挖掘、需大量历史数据

路径 3：人机协作 (Hybrid) —— AI 增强

LLM 理解 SOP 文档 → 初步图谱化 → 人工校正 → Agent 执行反馈 → 迭代优化
优点: 平衡效率与准确性
缺点: 技术成熟度尚待验证 [待产业验证]

AI Agent 如何使用工作图谱

用户: "帮我处理本月供应商付款"

Agent 思考过程:
1. 查询工作图谱 → 找到"供应商付款"流程子图
2. 识别当前状态 → 已收到发票，未进入审批
3. 检查依赖条件 → 需要: 发票验证 ✓ + 预算确认 ✓
4. 规划执行路径 → 发票验证(已完成) → 预算确认 → 主管审批 → 财务付款
5. 执行自动化步骤 → 调用工具完成预算确认
6. 需人工步骤 → 发送审批请求给主管

技术演进史

发展阶段

关键里程碑

• 2011: Celonis 成立，开创流程挖掘 (Process Mining) 品类
• 2014: 微软 Office Graph 发布，体现 Work Graph 思想
• 2017: Transformer 架构提出；2018: BERT 模型发布，为后续 LLM 理解流程文本奠基
• 2021: UiPath IPO，RPA 赛道估值顶峰
• 2023: AutoGPT/BabyAGI 等开源 Agent 项目，暴露”无流程知识”的局限
• 2024-2025: Agent 平台开始集成工作流知识库/图谱能力

技术路线对比

上下游

产业链定位

上游 (数据/基础设施)          中游 (图谱构建/平台)          下游 (应用/场景)
┌─────────────────┐       ┌─────────────────┐       ┌─────────────────┐
│ 图数据库         │       │ 工作图谱平台      │       │ AI Agent 平台   │
│ Neo4j, TigerGraph│──→   │ (垂直整合/新兴)   │──→   │ ServiceNow, Salesforce│
├─────────────────┤       ├─────────────────┤       ├─────────────────┤
│ 流程挖掘工具     │       │ 咨询/实施服务     │       │ 智能客服        │
│ Celonis, Signavio│──→   │ 四大, Accenture  │──→   │ 智能流程自动化  │
├─────────────────┤       ├─────────────────┤       ├─────────────────┤
│ 企业系统 (源数据)│       │ LLM + RAG 技术   │       │ 合规/审计       │
│ SAP, Oracle, Workday│──→│ OpenAI, 向量数据库│──→   │ 风险管理        │
└─────────────────┘       └─────────────────┘       └─────────────────┘

关键供应商

关键指标

衡量工作图谱质量的核心维度

供需与市场数据

市场规模估算

⚠️ 注意： 工作图谱作为独立品类尚未被主流分析机构单独追踪，以下为关联市场估算参考。

需求驱动因素

1. AI Agent 落地瓶颈: 通用 Agent 不懂企业特有流程，需要工作图谱作为”知识注入”
2. 合规压力: 金融、医疗等行业对流程可追溯性要求提升
3. 效率优化: 流程瓶颈识别、资源优化分配
4. 知识传承: 应对人员流动带来的隐性知识流失

供给现状

• 技术成熟度: 底层图数据库成熟，但”工作图谱”作为完整产品仍在早期
• 人才稀缺: 既懂图技术又懂业务流程的复合人才少
• 标准化缺失: 无统一的工作图谱 Schema 标准

代表公司与资本映射

流程挖掘/工作图谱相关标的

A 股/港股关联

⚠️ 上述 A 股标的仅为”关联性”梳理，非投资建议。工作图谱在这些公司收入中的占比 [未充分披露]。

投资逻辑

看多逻辑

1. AI Agent 的”最后一公里”问题: 通用大模型能力强但缺乏企业上下文，工作图谱是 Agent 落地的必要条件
2. 数据飞轮效应: 先发者积累的流程数据越多，图谱越准确，Agent 效果越好，形成正循环
3. 平台锁定: 一旦工作图谱成为企业数字基础设施，迁移成本高
4. 横跨多个热门赛道: 流程挖掘 + 知识图谱 + AI Agent，多主题叠加

风险因素

1. 品类未确立: “工作图谱”尚未成为独立产品品类，可能被大平台内化
2. 技术不确定性: LLM 原生流程理解能力提升可能降低对结构化图谱的依赖
3. 落地周期长: 企业流程梳理是苦活，需要深入行业 Know-how
4. 竞争格局模糊: BPM、RPA、流程挖掘、知识图谱厂商都可能切入

判断框架

短期 (1-2年):  关注流程挖掘厂商的 AI Agent 整合进展
中期 (2-3年):  关注 Agent 平台 (ServiceNow, Salesforce, Microsoft) 的工作流知识库能力
长期 (3-5年):  关注是否出现独立的"工作图谱即服务"平台

常见误读纠偏

误读 1：工作图谱 = 流程图 (BPMN)

纠偏： 流程图只是工作图谱的一个子集。工作图谱除了流程顺序，还包括：

• 参与者 (角色/团队/系统)
• 资源 (工具/数据/权限)
• 规则 (业务逻辑/审批条件/异常处理)
• 时序 (SLA/优先级/依赖)
• 上下文 (历史执行记录/知识文档)

流程图告诉你”下一步做什么”，工作图谱告诉你”谁用什么工具在什么条件下做什么以及为什么”。

误读 2：有了 LLM 就不需要结构化工作图谱

纠偏： LLM 确实能从非结构化文档中理解流程描述，但存在关键局限：

更准确的表述： LLM 和工作图谱是互补关系——LLM 负责理解自然语言和灵活推理，工作图谱提供结构化知识锚点。Graph RAG 是典型结合模式。

误读 3：工作图谱是大企业的事，中小企业用不上

纠偏： 中小企业同样面临流程知识流失、AI Agent 落地等问题。但痛点和方案不同：

• 大企业：复杂流程、合规需求 → 定制化图谱建设
• 中小企业：轻量化方案 → 从 SaaS 工具内置的流程模板出发，逐渐积累

误读 4：工作图谱构建是一次性项目

纠偏： 工作图谱是”活的”知识资产，需要持续更新。业务流程变化、组织调整、工具替换都需要图谱同步维护。构建成本之外，运维成本是长期投入。

学习路径

入门级 (1-2 周)

1. 概念理解:

   • 阅读微软关于 Microsoft Graph/Office Graph 的公开文档
   • 了解 BPMN 基础（Camunda 官方教程）
   • 观看 Celonis 官方 YouTube 频道的流程挖掘入门视频

2. 图数据库基础:

   • Neo4j 官方免费课程（GraphAcademy）
   • 学习 Cypher 查询语言基础

进阶级 (1-2 月)

3. 知识图谱技术:

   • 学习 Property Graph 模型 vs RDF
   • 实践：用 Neo4j 构建一个简单的项目管理图谱
   • 阅读《Knowledge Graphs》(Hogan et al.) 相关章节

4. 流程挖掘:

   • 使用开源工具 PM4Py（Python）分析示例事件日志
   • 理解 Alpha Miner、Heuristics Miner 等算法原理

专家级 (持续)

5. AI Agent + 图谱集成:

   • 学习 Graph RAG 模式（Neo4j + LangChain 集成）
   • 跟踪 LlamaIndex 的 Knowledge Graph Index 功能
   • 关注 ServiceNow、Salesforce 的 Agent 平台文档

6. 行业实践:

   • 研究具体行业（金融、制造、医疗）的流程自动化案例
   • 参与开源 Agent 框架（如 CrewAI、AutoGen）的工具集成开发

推荐资源

一句话总结

工作图谱是企业工作流程的机器可读”数字骨架”，它将隐性流程知识显性化为图结构，在 AI Agent 时代从”可选”变为”必需”——没有工作图谱，Agent 就像没有地图的导航，能对话但无法真正替你完成工作。

延伸阅读与来源

学术/行业文献

1. van der Aalst, W. “Process Mining: Data Science in Action” (Springer) —— 流程挖掘领域经典教材
2. Hogan, A. et al. “Knowledge Graphs” (ACM Computing Surveys) —— 知识图谱综合综述
3. Microsoft Research, “Office Graph / Work Graph” 相关技术博客 (2014-2015)
4. Celonis 官方白皮书系列 —— 流程挖掘实践指南

厂商文档

• Neo4j 官方文档: https://neo4j.com/docs/
• Microsoft Graph 文档: https://learn.microsoft.com/en-us/graph/
• ServiceNow Now Platform 文档
• Celonis PQL (Process Query Language) 文档

开源项目

• PM4Py: https://pm4py.fit.fraunhofer.de/ —— 流程挖掘 Python 库
• LangChain Graph 模块: 用于构建 Graph RAG
• Neo4j Graph Data Science Library

数据来源说明

本文档中：

• 技术概念和框架: 基于公开学术文献和厂商文档，技术准确性已尽核实
• 市场数据: 来源为行业报告估算，不同口径数据差异较大，仅作参考
• 公司估值/财务: 来自公开报道/财报，标注”估算”处为非精确数据
• AI Agent + 工作图谱融合应用: 多为行业趋势判断，尚处早期，标注”待验证”处表示尚无成熟案例

本页最后更新: 2025年 | 概念成熟度: 早期探索阶段 | 准确性评级: 概念框架可靠，具体市场数据为估算

免责声明: 本文为技术概念学习资料，不构成投资建议。涉及的公司和产品仅为行业梳理，不代表推荐。市场数据为多方来源估算，请以官方披露为准。