應用層 開放閱讀

工作圖譜

Work Graph

概念 ID
work-graph
更新時間
2026-05-29
來源數量
待補

工作圖譜 (Work Graph)

3 秒看懂

工作圖譜 (Work Graph) 是用圖結構 (Graph) 表示組織內工作流程、任務依賴、角色協作、工具呼叫、資料流轉等要素的結構化知識表示。它是連線**“誰做什麼、怎麼做、用什麼工具、產出什麼”**的數字化骨架。

核心價值鏈： 企業流程知識 → 圖結構化 → AI Agent 可理解/可規劃/可自動化執行

一句話本質： 工作圖譜 = 工作流程的機器可讀”地圖”，是 AI Agent 理解並自動化人類工作的基礎設施。

3 分鐘產業解釋

問題背景：企業工作的”黑箱”

現代企業中，工作流程高度隱性化：

層級問題表現
個人層工作方法記在腦子裡老員工離職 = 流程知識丟失
團隊層跨部門協作靠口頭/郵件資訊斷點、重複勞動
組織層流程文件與實際執行脫節SOP 寫了不看、流程審計困難
AI 層大型模型不懂企業特有流程ChatGPT 能寫郵件但不會走審批流

工作圖譜解決什麼？

將隱性流程顯性化、結構化、機器可讀化。

傳統狀態:                    工作圖譜化後:
┌─────────────┐              ┌─────────────────────────────┐
│ 腦中知識     │              │ Node: 任務/角色/工具/資料    │
│ 口頭交接     │   ────→     │ Edge: 依賴/呼叫/產出/審批    │
│ 郵件流轉     │              │ 屬性: 時間/頻率/條件/SLA     │
│ 隱性經驗     │              │ → AI Agent 可查詢、規劃、執行 │
└─────────────┘              └─────────────────────────────┘

產業訊號

  • 微軟 (2014-2015): 提出 “Work Graph” 概念，作為 Office Graph/Microsoft Graph 的理論基礎，強調以人為中心、連線人-內容-對話-任務的關係圖譜。
  • Process Mining (流程挖掘): Celonis、UiPath 等公司從 ERP/CRM 事件日誌中挖掘實際流程，本質上是建置”已發生的工作圖譜”。
  • AI Agent 熱潮 (2023-2025): Agent 需要理解任務結構才能自主規劃執行，工作圖譜成為 Agent 的”任務知識庫”。

15 分鐘專家深入

工作圖譜的知識表示模型

1. 實體型別 (Node Types)

實體型別說明示例
任務 (Task)工作流程中的最小執行單元”稽核發票”、“傳送報告”
角色 (Role)執行任務的主體（人/部門/AI）“財務主管”、“AI 客服”
工具 (Tool)完成任務使用的系統/應用SAP、Excel、GPT-4、RPA Bot
資料 (Data)任務的輸入/輸出資料物件發票 PDF、客戶資料、報表
規則 (Rule)條件判斷、業務邏輯”金額 > 10萬 需總監審批”
知識 (Knowledge)隱性經驗、最佳實踐”季度末提前 3 天催款”

2. 關係型別 (Edge Types)

關係型別含義方向
depends_on任務 B 依賴任務 A 完成A → B
executed_by任務由某角色執行Task → Role
uses_tool任務呼叫某工具Task → Tool
produces任務產出某資料Task → Data
consumes任務使用某資料Data → Task
triggers某事件觸發任務Event → Task
approves角色審批任務Role → Task

3. 典型圖譜結構

                    ┌─────────────┐
                    │  觸發事件    │
                    │ (客戶下單)   │
                    └──────┬──────┘
                           │ triggers
                           ▼
                    ┌─────────────┐
          ┌────────│  訂單確認    │────────┐
          │        └──────┬──────┘        │
          │               │               │
     uses_tool       depends_on      produces
          │               │               │
          ▼               ▼               ▼
    ┌──────────┐   ┌─────────────┐  ┌──────────┐
    │   ERP    │   │  庫存檢查    │  │ 訂單資料 │
    │  系統    │   └──────┬──────┘  └──────────┘
    └──────────┘          │ depends_on
                          ▼
                   ┌─────────────┐
                   │  物流發貨    │
                   └──────┬──────┘
                          │ executed_by
                          ▼
                   ┌─────────────┐
                   │  倉儲團隊    │
                   └─────────────┘

工作圖譜 vs 相關概念辨析

概念核心關注點粒度與工作圖譜關係
知識圖譜 (KG)實體與事實通用知識工作圖譜是 KG 在工作域的專業化
流程圖 (BPMN)順序邏輯流程步驟工作圖譜包含但遠超流程圖
組織架構圖彙報關係人員層級工作圖譜中的角色關係子集
數字孿生物理系統模擬裝置/產線工作圖譜側重”人+流程”而非物理系統
RPA 指令碼自動化規則UI 操作工作圖譜提供更高層的任務抽象

技術實現層

圖資料庫選型考量

考量維度說明
圖模型Property Graph (Neo4j, TigerGraph) vs RDF/SPARQL
規模企業內部通常百萬-千萬級節點，一般相簿可支撐
查詢模式多跳路徑查詢（“這個任務依賴哪些前置條件？“）
即時性是否需要即時更新（如工單狀態同步）
與 AI 整合是否支援向量索引（語義查詢）、與 LLM 整合

技術原理

工作圖譜的核心技術棧

┌─────────────────────────────────────────────────────────┐
│                    應用層 (Applications)                  │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐  │
│  │ 流程挖掘 │ │ Agent    │ │ 智慧排程 │ │ 流程合規   │  │
│  │ Process  │ │ Task     │ │ Resource │ │ Compliance │  │
│  │ Mining   │ │ Planning │ │ Scheduling│ │ Checking  │  │
│  └──────────┘ └──────────┘ └──────────┘ └────────────┘  │
├─────────────────────────────────────────────────────────┤
│                 推論層 (Reasoning Engine)                  │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────────┐ │
│  │ 路徑分析      │ │ 因果推論      │ │ LLM + Graph RAG │ │
│  │ (依賴溯源)    │ │ (瓶頸識別)    │ │ (自然語言互動)  │ │
│  └──────────────┘ └──────────────┘ └──────────────────┘ │
├─────────────────────────────────────────────────────────┤
│                 圖譜層 (Graph Store)                      │
│  ┌──────────────────────────────────────────────────┐   │
│  │  Property Graph (節點-邊-屬性)                     │   │
│  │  Neo4j / TigerGraph / Amazon Neptune / NebulaGraph│   │
│  └──────────────────────────────────────────────────┘   │
├─────────────────────────────────────────────────────────┤
│                 採集層 (Data Ingestion)                   │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐ │
│  │ ERP日誌  │ │ CRM事件  │ │ 郵件/IM  │ │ 文件解析   │ │
│  │ SAP/Oracle│ │ Salesforce│ │ Teams/Slack│ │ SOP → 結構化│ │
│  └──────────┘ └──────────┘ └──────────┘ └────────────┘ │
└─────────────────────────────────────────────────────────┘

圖譜建置的三種路徑

路徑 1：自上而下 (Top-Down) —— 諮詢驅動

流程專家訪談 → BPMN 建模 → 轉換為 Property Graph → 持續維護
優點: 邏輯清晰、可解釋
缺點: 成本高、更新慢、與實際執行可能脫節

路徑 2：自下而上 (Bottom-Up) —— 資料驅動

系統事件日誌 → Process Mining → 自動發現流程 → 圖譜化
優點: 反映真實執行、自動化程度高
缺點: 隱性知識難以挖掘、需大量歷史資料

路徑 3：人機協作 (Hybrid) —— AI 增強

LLM 理解 SOP 文件 → 初步圖譜化 → 人工校正 → Agent 執行反饋 → 迭代最佳化
優點: 平衡效率與準確性
缺點: 技術成熟度尚待驗證 [待產業驗證]

AI Agent 如何使用工作圖譜

使用者: "幫我處理本月供應商付款"

Agent 思考過程:
1. 查詢工作圖譜 → 找到"供應商付款"流程子圖
2. 識別當前狀態 → 已收到發票，未進入審批
3. 檢查依賴條件 → 需要: 發票驗證 ✓ + 預算確認 ✓
4. 規劃執行路徑 → 發票驗證(已完成) → 預算確認 → 主管審批 → 財務付款
5. 執行自動化步驟 → 呼叫工具完成預算確認
6. 需人工步驟 → 傳送審批請求給主管

技術演進史

發展階段

時期階段代表技術/事件工作圖譜形態
2000s流程建模BPMN 標準釋出 (2004)純流程圖，無人機協作
2010-2013流程挖掘興起Celonis 成立 (2011)從日誌反向建置流程圖
2014-2015圖譜概念提出微軟 Work Graph 概念以人為中心的關係圖譜
2016-2019企業知識圖譜Neo4j 企業版普及知識圖譜技術進入企業
2020-2022RPA + AIUiPath 上市 (2021)自動化指令碼 + 流程理解
2023-2025Agent 時代LLM Agent 爆發工作圖譜成為 Agent 知識基礎設施

關鍵里程碑

  • 2011: Celonis 成立，開創流程挖掘 (Process Mining) 品類
  • 2014: 微軟 Office Graph 釋出，體現 Work Graph 思想
  • 2017: Transformer 架構提出；2018: BERT 模型釋出，為後續 LLM 理解流程文本奠基
  • 2021: UiPath IPO，RPA 賽道估值頂峰
  • 2023: AutoGPT/BabyAGI 等開源 Agent 專案，暴露”無流程知識”的侷限
  • 2024-2025: Agent 平台開始整合工作流知識庫/圖譜能力

技術路線對比

維度傳統 BPM/流程引擎流程挖掘 (Process Mining)知識圖譜方案LLM Agent 原生
建置方式人工建模自動挖掘日誌半自動建置LLM 從文件提取
時效性靜態，更新慢事後分析需定期同步動態上下文理解
覆蓋範圍已知流程已發生流程知識密集流程泛化，但深度不足
AI 可用性低（流程圖非語義）中（結構化但離線）高（圖查詢+向量）高（自然語言介面）
維護成本高（專家依賴）中（資料管道）中（圖譜運維）低（但準確性待驗）
適用場景合規審計流程最佳化診斷複雜知識密集型快速原型/通用任務

上下游

產業鏈定位

上游 (資料/基礎設施)          中游 (圖譜建置/平台)          下游 (應用/場景)
┌─────────────────┐       ┌─────────────────┐       ┌─────────────────┐
│ 圖資料庫         │       │ 工作圖譜平台      │       │ AI Agent 平台   │
│ Neo4j, TigerGraph│──→   │ (垂直整合/新興)   │──→   │ ServiceNow, Salesforce│
├─────────────────┤       ├─────────────────┤       ├─────────────────┤
│ 流程挖掘工具     │       │ 諮詢/實施服務     │       │ 智慧客服        │
│ Celonis, Signavio│──→   │ 四大, Accenture  │──→   │ 智慧流程自動化  │
├─────────────────┤       ├─────────────────┤       ├─────────────────┤
│ 企業系統 (源資料)│       │ LLM + RAG 技術   │       │ 合規/審計       │
│ SAP, Oracle, Workday│──→│ OpenAI, 向量資料庫│──→   │ 風險管理        │
└─────────────────┘       └─────────────────┘       └─────────────────┘

關鍵供應商

環節代表公司備註
圖資料庫Neo4j, TigerGraph, Amazon Neptune基礎儲存與查詢
流程挖掘Celonis, Microsoft (Minit), SAP Signavio資料驅動的流程發現
RPA/自動化UiPath, Automation Anywhere, Blue Prism任務執行層
AI AgentServiceNow, Salesforce, Microsoft Copilot工作圖譜的消費方
諮詢實施Accenture, Deloitte, IBM定製化圖譜建設

關鍵指標

衡量工作圖譜質量的核心維度

指標定義目標
覆蓋率 (Coverage)圖譜中包含的任務佔實際任務的比例關鍵流程 > 80%
準確率 (Accuracy)關係/屬性的正確性高頻路徑 > 95%
新鮮度 (Freshness)圖譜反映當前狀態的程度核心資料 < 24h 延遲
查詢延遲 (Query Latency)圖譜查詢響應時間單跳 < 10ms，多跳 < 100ms
Agent 任務完成率Agent 基於圖譜完成任務的成功率[待行業基準建立]
人工干預率Agent 需人工接管的比例越低越好

供需與市場資料

市場規模估算

⚠️ 注意： 工作圖譜作為獨立品類尚未被主流分析機構單獨追蹤，以下為關聯市場估算參考。

相關市場規模估算資料來源
全球流程挖掘市場約 10-15 億美元 (2024)[行業報告估算, 口徑不一]
全球知識圖譜市場約 20-30 億美元 (2024)[行業報告估算]
全球 RPA 市場約 30-40 億美元 (2024)[行業報告估算]
AI Agent 市場 (企業)早期階段，規模 [未有權威口徑]—

需求驅動因素

  1. AI Agent 落地瓶頸: 通用 Agent 不懂企業特有流程，需要工作圖譜作為”知識注入”
  2. 合規壓力: 金融、醫療等行業對流程可追溯性要求提升
  3. 效率最佳化: 流程瓶頸識別、資源最佳化分配
  4. 知識傳承: 應對人員流動帶來的隱性知識流失

供給現狀

  • 技術成熟度: 底層圖資料庫成熟，但”工作圖譜”作為完整產品仍在早期
  • 人才稀缺: 既懂圖技術又懂業務流程的複合人才少
  • 標準化缺失: 無統一的工作圖譜 Schema 標準

代表公司與資本對映

流程挖掘/工作圖譜相關標的

公司定位上市狀態備註
Celonis流程挖掘龍頭未上市 (2022 估值 ~$13B)Process Mining 品類開創者
SAP (Signavio)流程挖掘 + BPMNYSE: SAP2021 年收購 Signavio
MicrosoftMicrosoft Graph / CopilotNASDAQ: MSFTWork Graph 概念提出者，Agent 平台
ServiceNow智慧工作流平台NYSE: NOWNow Platform + AI Agent
SalesforceCRM + AI AgentNYSE: CRMEinstein Agent + Data Cloud
UiPathRPA + 流程智慧NYSE: PATH收集流程資料，建置流程理解
Neo4j圖資料庫未上市工作圖譜底層基礎設施

A 股/港股關聯

公司關聯點備註
用友網路ERP + 企業流程資料流程資料來源
金蝶國際ERP + 雲端服務流程資料來源
金山辦公辦公協作 + AIWPS AI 可能涉及工作流理解
漢得資訊企業數字化諮詢流程諮詢/實施

⚠️ 上述 A 股標的僅為”關聯性”梳理，非投資建議。工作圖譜在這些公司營收中的佔比 [未充分揭露]。

投資邏輯

看多邏輯

  1. AI Agent 的”最後一公里”問題: 通用大型模型能力強但缺乏企業上下文，工作圖譜是 Agent 落地的必要條件
  2. 資料飛輪效應: 先發者積累的流程資料越多，圖譜越準確，Agent 效果越好，形成正迴圈
  3. 平台鎖定: 一旦工作圖譜成為企業數字基礎設施，遷移成本高
  4. 橫跨多個熱門賽道: 流程挖掘 + 知識圖譜 + AI Agent，多主題疊加

風險因素

  1. 品類未確立: “工作圖譜”尚未成為獨立產品品類，可能被大平台內化
  2. 技術不確定性: LLM 原生流程理解能力提升可能降低對結構化圖譜的依賴
  3. 落地週期長: 企業流程梳理是苦活，需要深入行業 Know-how
  4. 競爭格局模糊: BPM、RPA、流程挖掘、知識圖譜廠商都可能切入

判斷架構

短期 (1-2年):  關注流程挖掘廠商的 AI Agent 整合進展
中期 (2-3年):  關注 Agent 平台 (ServiceNow, Salesforce, Microsoft) 的工作流知識庫能力
長期 (3-5年):  關注是否出現獨立的"工作圖譜即服務"平台

常見誤讀糾偏

誤讀 1：工作圖譜 = 流程圖 (BPMN)

糾偏： 流程圖只是工作圖譜的一個子集。工作圖譜除了流程順序，還包括：

  • 參與者 (角色/團隊/系統)
  • 資源 (工具/資料/權限)
  • 規則 (業務邏輯/審批條件/異常處理)
  • 時序 (SLA/優先順序/依賴)
  • 上下文 (歷史執行記錄/知識文件)

流程圖告訴你”下一步做什麼”，工作圖譜告訴你”誰用什麼工具在什麼條件下做什麼以及為什麼”。

誤讀 2：有了 LLM 就不需要結構化工作圖譜

糾偏： LLM 確實能從非結構化文件中理解流程描述，但存在關鍵侷限：

維度LLM 原生理解結構化工作圖譜
確定性機率性輸出，可能幻覺查詢結果確定
可審計黑箱推論路徑可追溯
即時性需要每次重新推論查詢即得
一致性可能前後矛盾結構保證一致

更準確的表述： LLM 和工作圖譜是互補關係——LLM 負責理解自然語言和靈活推論，工作圖譜提供結構化知識錨點。Graph RAG 是典型結合模式。

誤讀 3：工作圖譜是大企業的事，中小企業用不上

糾偏： 中小企業同樣面臨流程知識流失、AI Agent 落地等問題。但痛點和方案不同：

  • 大企業：複雜流程、合規需求 → 定製化圖譜建設
  • 中小企業：輕量化方案 → 從 SaaS 工具內建的流程模板出發，逐漸積累

誤讀 4：工作圖譜建置是一次性專案

糾偏： 工作圖譜是”活的”知識資產，需要持續更新。業務流程變化、組織調整、工具替換都需要圖譜同步維護。建置成本之外，運維成本是長期投入。

學習路徑

入門級 (1-2 周)

  1. 概念理解:

    • 閱讀微軟關於 Microsoft Graph/Office Graph 的公開文件
    • 瞭解 BPMN 基礎（Camunda 官方教程）
    • 觀看 Celonis 官方 YouTube 頻道的流程挖掘入門影片

  2. 圖資料庫基礎:

    • Neo4j 官方免費課程（GraphAcademy）
    • 學習 Cypher 查詢語言基礎

進階級 (1-2 月)

  1. 知識圖譜技術:

    • 學習 Property Graph 模型 vs RDF
    • 實踐：用 Neo4j 建置一個簡單的專案管理圖譜
    • 閱讀《Knowledge Graphs》(Hogan et al.) 相關章節

  2. 流程挖掘:

    • 使用開源工具 PM4Py（Python）分析示例事件日誌
    • 理解 Alpha Miner、Heuristics Miner 等演算法原理

專家級 (持續)

  1. AI Agent + 圖譜整合:

    • 學習 Graph RAG 模式（Neo4j + LangChain 整合）
    • 追蹤 LlamaIndex 的 Knowledge Graph Index 功能
    • 關注 ServiceNow、Salesforce 的 Agent 平台文件

  2. 行業實踐:

    • 研究具體行業（金融、製造、醫療）的流程自動化案例
    • 參與開源 Agent 架構（如 CrewAI、AutoGen）的工具整合開發

推薦資源

資源型別推薦
書籍《流程挖掘：資料科學在行動》(van der Aalst)
課程Neo4j GraphAcademy (免費)、Coursera 知識圖譜專題
社群Neo4j Community、Process Mining 社群
論文”Work Graph” 相關的微軟研究院早期論文
開源PM4Py (流程挖掘)、LangChain Graph 模組

一句話總結

工作圖譜是企業工作流程的機器可讀”數字骨架”，它將隱性流程知識顯性化為圖結構，在 AI Agent 時代從”可選”變為”必需”——沒有工作圖譜，Agent 就像沒有地圖的導航，能對話但無法真正替你完成工作。

延伸閱讀與來源

學術/行業文獻

  1. van der Aalst, W. “Process Mining: Data Science in Action” (Springer) —— 流程挖掘領域經典教材
  2. Hogan, A. et al. “Knowledge Graphs” (ACM Computing Surveys) —— 知識圖譜綜合綜述
  3. Microsoft Research, “Office Graph / Work Graph” 相關技術部落格 (2014-2015)
  4. Celonis 官方白皮書系列 —— 流程挖掘實踐指南

廠商文件

開源專案

資料來源說明

本文件中：

  • 技術概念和架構: 基於公開學術文獻和廠商文件，技術準確性已盡核實
  • 市場資料: 來源為行業報告估算，不同口徑資料差異較大，僅作參考
  • 公司估值/財務: 來自公開報道/財報，標註”估算”處為非精確資料
  • AI Agent + 工作圖譜融合應用: 多為行業趨勢判斷，尚處早期，標註”待驗證”處表示尚無成熟案例

本頁最後更新: 2025年 | 概念成熟度: 早期探索階段 | 準確性評等: 概念架構可靠，具體市場資料為估算

免責宣告: 本文為技術概念學習資料，不構成投資建議。涉及的公司和產品僅為行業梳理，不代表推薦。市場資料為多方來源估算，請以官方揭露為準。

相關推薦

同產業鏈：app

同產業鏈 · 相關公司

百融雲端創6608.HK標普全球SPGI多鄰國DUOL廣聯達002410.SZ海天瑞聲688787.SS藍色游標300058.SZ塗鴉智慧2391.HK薛定諤SDGR

相關概念

建築工程人工智慧（AEC AI）Agent 市場A2A 協議（Agent-to-Agent Protocol）AI 附加模組AI 瀏覽器視覺增強屬性訪問控制差分隱私
source: 公開揭露與公開資料整理 本頁僅用於產業鏈學習、資訊檢索和研究輔助；不構成投資建議，不預測漲跌，不提供買賣、部位或目標價建議。
完整概念頁 複盤 13 節結構 公司投研頁 沿產業鏈找到受益公司 投資課 把概念轉成可跟蹤模型