资源描述框架（Resource Description Framework，RDF），是 W3C 制定的一套标准化描述知识的办法，也就是语义网的底层数据格式。
简单说：它想让电脑看懂网页、文档、事物之间的关系。我们平时看网页是读文字，但电脑分不清文字里谁是谁、谁和谁是什么关系。RDF 就把所有信息拆成一句句简短事实，用 “主体 - 关系 - 对象” 的结构存起来，拼成一张知识网络图。现在大家熟悉的知识图谱，底层很多都是基于 RDF 这套思路。
一、RDF 是怎么来的，想解决什么问题
以前互联网上的内容都是写给人看的 HTML 网页。
举个例子：网页写着 “张三，1990 年出生，在 A 公司上班”。人一眼看懂，但电脑只看到一串文字，它不知道：
“张三” 是人名；
“1990 年” 是生日；
“A 公司” 是他工作的地方。
不同网站、不同系统的数据格式各不相同，数据就是一个个信息孤岛，机器很难自动把它们合并、对比。
90 年代末，W3C 启动语义网项目，设计出 RDF。最开始只是用来记录网页的元信息（标题、作者、版权），后来范围扩大，任何东西都能用 RDF 描述：人、物品、地点、概念、事件都算 “资源”。
RDF 核心想法：
给每一个事物、每一种关系分配唯一标识，避免重名混淆；
把知识拆成一条一条独立小陈述，可以随意合并拆分；
描述知识的逻辑，和存储格式分开，同一份知识可以存成不同文本格式；
机器可以根据已有的事实，推导出隐藏信息。
二、核心：三元组，一句话一条事实
RDF 最基础单元叫三元组，结构：谁（主语）→ 是什么关系（谓词）→ 是什么（宾语）。
就像最简单的陈述句：主语 + 关系 + 对象
主语：你要描述的那个东西（人、公司、物品）；
谓词：两者之间的关系 / 属性，比如：姓名、生日、工作单位；
宾语：描述的结果，可以是另一个实体，也可以是文字、数字、日期这类值。
大白话例子：
张三 的 姓名 是 \"张三\"
张三 的 生日 是 1990-01-01
张三 的 工作单位 是 A 公司
这三条就是 3 个三元组。把大量三元组放在一起，就形成一张知识图。
图里面：主语、宾语是节点；关系是节点之间带方向的连线。
两个小概念：
空白节点：有些附属小东西不需要单独全局 ID，比如 “张三的家庭住址”，就用空白节点表示；
字面量：就是具体数值文本，会标记类型，区分 “100” 是文字，还是数字 100。
RDF 新版本还支持命名图，可以把多套知识分开存放，标记数据来源、修改时间。
三、存储格式：只是 “包装”，知识本身不变
RDF 是描述知识的逻辑模型，不是固定文件格式。就像同一个故事，可以写成 txt、markdown，也可以存成 json。
常见几种写法：
Turtle：最容易读，写例子、调试首选；
JSON-LD：基于 JSON，和网页后端接口适配，现在知识图谱用得最多；
RDF/XML：最早版本，XML 写的，标签多，看着啰嗦，现在很少手写；
N-Triples：一行一条三元组，简单，适合大批量数据处理；
N-Quads：N-Triples 升级版，可以区分不同知识图。
重点：不管换成哪种格式，里面表达的事实不变，可以互相转换。
四、配套工具：RDFS、OWL、SPARQL
RDF 只规定了 “一句话三段式” 的写法，它本身不自带词汇。就像语法只规定主谓宾，词语需要我们自己定义。搭配下面工具才能更好使用：
RDFS（RDF 模式）：轻量词汇表。用来定义类别和属性。比如定义 “人” 属于一类事物，“姓名” 是人具备的属性；
OWL（Web 本体语言）：在 RDFS 基础上加强能力。可以描述更复杂规则，例如两类不能重叠、一个关系的反向关系等，用来构建专业领域知识库，支持机器推理；
SPARQL：RDF 的查询语言，相当于关系数据库里的 SQL。用来在知识图里检索、筛选、修改三元组。
对比数据库：传统数据库要提前建好表，字段固定。RDF 不用预先定死结构，后面想新增属性、新增关系，直接加三元组就行，非常灵活。
五、RDF 都用在哪些地方
知识图谱：搜索引擎、企业知识库底层，把分散信息连成网络，做实体关联、知识推理；
开放互联数据：政府、图书馆把公开资料按照 RDF 标准发布，让全球数据可以互相链接；
资料元数据：图书、档案、文物，统一记录作者、创建时间、版权信息；
行业术语库：医疗、地理、工业领域，统一专业名词，打通不同系统术语；
大模型知识库（RAG）：作为结构化事实底座，给大模型提供可靠知识，减少 AI 胡说八道。
六、RDF 的优缺点
1.优点
结构灵活：不用提前设计表结构，新增信息不用改动原有框架；
方便打通数据：全局唯一标识，不同来源的数据容易合并，打破信息孤岛；
支持推理：机器不只存事实，还能推出没直接写出来的结论；
国际标准，工具多，不同系统之间可以交换数据。
2.缺点
大数据查询慢：海量三元组场景，SPARQL 查询开销比 SQL 高，需要专用图数据库；
入门难：IRI、本体、推理这些概念抽象，业务建模成本高于普通 JSON；
复杂推理耗性能：完整 OWL 推理计算量大，实际项目一般只启用部分规则；
不适合高频交易场景：原生设计不是为频繁修改的事务型业务打造。
七、总结
RDF 本质是一套描述世间知识的通用标准。
关系数据库用表格记录信息，RDF 用 “主体 - 关系 - 对象” 的三元组网络记录信息。它最大价值，是解决不同系统数据语义不通的问题，让机器读懂事物之间的关系。
RDF 不是用来替代普通数据库的，它更适合知识沉淀、跨源数据打通、需要自动推理的场景。如今知识图谱、RAG 应用蓬勃发展，RDF 依旧是语义知识领域的基础标准，持续发挥作用。
