在大语言模型快速发展的今天，知识图谱的价值不再只是“存储事实”，而是为模型推理提供可检查、可验证、可追溯的外部知识基础。然而，传统知识图谱通常把每条三元组关系视为全局有效：只要图中存在 (head, relation, tail)，它就被默认当作可用证据。
现实并没有这么简单。尤其在医学场景中，同一条知识关系是否成立，往往取决于患者的具体上下文：年龄、合并症、实验室指标、用药史、疾病阶段、禁忌证等因素，都可能改变一条医学事实是否适用于当前病例。
我们提出 Quantum Knowledge Graph (QKG)，将知识图谱中的三元组有效性从“静态事实”推进到“上下文相关的可判定函数”。
核心亮点一：面向上下文依赖的数学框架
QKG 的核心思想是：一条三元组 τ = (h, r, t) 是否有效，不应只由图中是否存在该边决定，而应由观察上下文 C 决定。
我们将三元组有效性表述为：
text
P(τ | C)
并进一步用三元组特异的函数表示：
text
F_τ(C)
也就是说，QKG 关注的不是静态的“图中是否存在这条边”，而是 P(τ | C)：在当前上下文 C 下，这条知识 τ 是否应被视为有效证据。
这意味着，知识不再是脱离场景的静态声明，而是在具体上下文中被动态评估的证据。传统 KG 可以被视为只给出 0/1 的全局判断；概率 KG 给出总体人群层面的先验；而 QKG 则进一步刻画“这条知识在当前上下文下是否适用”。
在本文的医学实现中，我们用自然语言适用条件来实例化 F_τ(C)。例如，一条药物适应证、禁忌证或药物作用关系，可以附带“在哪类患者中适用”“在哪些实验室指标或合并症下需要避免”等约束。这样，LLM 在推理时不只是检索相关事实，而是能够判断这些事实是否真正适用于当前患者。
核心亮点二：开源的包含上下文依赖的 KG 数据
为了推动可复现研究和社区扩展，我们开源了 QKG 相关数据与代码。
本工作的核心开源产出包括：
- 发布 PrimeKG 实体与 UMLS CUI (Concept Unique Identifier) 映射数据。
该数据覆盖 PrimeKG 全体实体，共 129,375 个，其中 80,726 个实体具有非空 CUI，覆盖率为 62.4%。映射来源包括 61,556 个基于源数据库编号的直接匹配，以及 19,170 个通过语义 embedding 构建的实体映射表匹配。该数据不仅为本文的 KG-grounded QA 对齐流程提供基础，而且也可作为后续医学 KG 与临床文本任务对接的基础设施，支撑实现 PrimeKG 与不同知识图谱的对齐。
- 发布 68,651 条带患者群体适用条件的上下文敏感关系事实。
这些事实聚焦
indication（适应证：药物或治疗适用于哪些疾病/人群）、contraindication（禁忌证：哪些情况下应避免使用）、off-label use（超说明书使用：非正式获批但可能有临床依据的用途）、drug_effect（药物作用：药物对疾病、表型或生物过程的影响）等更容易受患者上下文影响的关系类型，可与 PrimeKG 结合使用以支持上下文相关的医学知识验证。对于本领域研究，此数据还可用于识别、过滤和修正 PrimeKG 中的噪音关系，以及在特定患者上下文中不适用的关系。
- 基于 MedReason 筛选出在上述条件约束 KG 中覆盖的 2,788 道医学问答评测样本
这些数据不仅可用于复现实验，也可用于研究医学知识图谱增强推理、上下文验证、患者特异性证据筛选、临床问答评测以及 LLM agent 的知识校验机制。
为什么这项工作重要
QKG 试图回答一个关键问题：当知识图谱被用于支持大语言模型推理时，真正重要的是否只是“图里有没有这条边”？
我们的答案是：不是。
在高风险领域，尤其是医学推理中，系统必须进一步判断：这条边在当前患者身上是否适用。一个药物可能通常适用于某种疾病，但在肾功能不全、妊娠、特定合并症或特定用药背景下并不适用。忽略上下文，可能让“相关知识”变成“错误证据”。
QKG 将这一问题形式化，并提供了可运行的数据构建、验证和评测流程。实验显示，将 QKG 上下文匹配机制加入 reasoner-validator 推理框架后，模型在医学问答任务中相较无验证器基线和无上下文 KG 验证均取得提升。这说明，知识图谱的下一步价值不只是更大规模的实体和边，而是更精确地表达“知识何时成立”。
开源资源
一句话总结
Quantum Knowledge Graph (QKG) 把知识图谱从“存储事实”推进到“判断事实在具体上下文中是否适用”，并开源了面向医学推理的包含上下文依赖的 KG 数据与评测资源。
论文链接：https://arxiv.org/pdf/2604.23972