字面层（Surface Level）
字面层关注的是概念在文本中的直接表现形式，主要处理”看得见”的部分。
它包括从语料中抽取命名实体（人名、地名、术语等）、识别词汇间的共现关系和显式关联（如”A是B的一种”、“X属于Y”），以及对同义词、缩写、别名的归并。字面层的工作本质上是”文本说了什么就取什么”，依赖NLP工具链完成，相对机械但不可或缺。
它的局限在于：容易产生冗余节点、遗漏隐含关系，且粒度不一致——有时过细（每个提及都建节点），有时过粗（把不同语境下的同形词混为一谈）。

底层逻辑层（Underlying Logic Level）
这一层处理的是概念背后的结构性问题，决定了知识图谱的质量上限。它涉及几个核心考量：
本体设计（Ontology）——在抽取任何实体之前，先回答”这个图谱的世界由哪些类型的事物构成？“比如医疗领域，是按”疾病-症状-药物-检查”建模，还是按”生理系统-病理过程-干预手段”建模？选择不同，图谱的解释力完全不同。
粒度决策——“中国经济”和”2024年中国GDP增速”是否应该是同一层级的概念？粒度取决于下游任务：推荐系统需要细粒度，战略分析需要粗粒度。
关系的语义类型——字面层只能捕捉”A和B有关”，逻辑层要区分这是因果、组成、时序、还是对立关系。这些关系类型的选择直接影响推理能力。
隐含知识的显化——很多关键概念从不出现在文本中，但对理解至关重要。比如文本说”患者服用阿司匹林后胃出血”，逻辑层需要补出”药物副作用”这个中间概念。

两层的关系
两者不是先后关系，而是迭代关系。好的实践是：先用逻辑层建立概念框架（自上而下），再用字面层从语料中填充实例（自下而上），然后根据实际数据修正框架，如此循环。只做字面层会得到一个”大而散”的图；只做逻辑层会得到一个”精致但空”的图。两者结合才能构建出既有覆盖度又有推理深度的知识图谱。​​​​​​​​​​​​​​​​