Las empresas modernas a menudo dependen de la integración de una extensa red de proveedores para organizar y producir artefactos industriales. Dentro de este proceso, es fundamental mantener la sostenibilidad y la flexibilidad mediante el análisis y la gestión de la información de la cadena de suministro. En particular, existe una demanda continua de analizar e inferir automáticamente información de conjuntos de datos extensos estructurados en diversas formas, como lenguaje natural y modelos específicos de dominio. El avance de los Modelos de Lenguaje Grande (LLM) presenta una solución prometedora para abordar este desafío. Al aprovechar indicaciones que contienen la información necesaria proporcionada por humanos, los LLM pueden generar respuestas perspicaces a través del análisis y el razonamiento sobre el contenido proporcionado. Sin embargo, la calidad de estas respuestas aún se ve afectada por la opacidad inherente de los LLM, derivada de sus arquitecturas complejas, debilitando así su confiabilidad y limitando su aplicabilidad en diferentes campos. Para abordar este problema, este trabajo presenta un marco para aprovechar el LLM basado en grafos para apoyar el análisis de la información de la cadena de suministro combinando el LLM y el conocimiento del dominio. Específicamente, este trabajo propone una integración del LLM y el conocimiento del dominio para apoyar un análisis de la cadena de suministro de la siguiente manera: (1) construir una base de conocimiento basada en grafos para describir y modelar el conocimiento del dominio; (2) crear indicaciones para apoyar la recuperación de los modelos basados en grafos y guiar la generación del LLM; (3) generar respuestas a través del LLM para apoyar el análisis y razonar sobre la información a lo largo de la cadena de suministro. Demostramos el marco propuesto en las tareas de clasificación de entidades, predicción de enlaces y razonamiento entre entidades. En comparación con el rendimiento promedio de los mejores métodos en los estudios comparativos, el marco propuesto logra una mejora significativa del 59%, aumentando la puntuación F1 de ROUGE-1 de 0.42 a 0.67.