企业官网建设流程全解析

你的智能体（Agent）并不需要去遍历图（Graph）

把上下文存在图数据库（Graph Database）里，这个决策可能是对的。但把那个图直接连到智能体上，几乎从来都不对——可偏偏这两个决定常常被当成一回事来做。

今年早些时候，我和一家财富500强保险公司合作过。他们技术栈里的每一家云厂商都塞过来一份参考架构（Reference Architecture），图纸堆着图纸。在那些花花绿绿的图里，他们不知怎么就认准了一件事：智能体必须先接上托管的图数据库服务，才能正常干活。考虑到当时满屏的专业术语，我挺理解他们为什么走到这一步的。

但这个执念跟他们的业务负载毫无关系，纯粹是从那些架构图里“长”出来的。没有人真正统计过智能体平时会被问到什么问题，也没有人顺着图推演过：要回答出其中哪怕一个问题，智能体到底要走几步。图在他们的幻灯片上，只是一个带箭头的方框罢了。

他们实际的问题是这样的：这个销售代表能在某州卖这个产品吗？这份保单现在什么状态？这些问题边界清晰，对应的关联路径，数据团队里随便谁都能在餐巾纸上画出来。而且他们已经在运行一套受治理的元数据层（Governed Metadata Layer），里面已经包含了回答这些问题所需的大部分信息。

他们根本不需要图数据库。更准确地说——这一点我花了更长时间才让他们想明白——他们根本不需要让智能体靠近那个图。智能体真正需要知道的，是那些列名（Column）代表什么意思。这两句话之间的差距，正是2026年大量架构预算会砸进去的地方，所以值得你仔细掂量自己站在哪一边。

图可以存上下文，但别把它挂到智能体上。

上下文放在哪，和智能体查什么，是两回事。

把上下文存在图数据库里，没什么问题。如果这份上下文要喂给多个智能体而不是只有一个，那用图存甚至是正确的选择——图天生适合建模和管理实体之间的关系。这是个存储决策（Storage Decision），我对此没意见。

我甚至想说，图在这里的用处比“还行”更大。本体（Ontology）才是整个拼图中真正长成图模样的部分。它里面装的是关系——什么包含什么、哪些属性归谁——用图来承载它再自然不过，而不只是随便找个地方塞进去。而且本体通常规模小、变化慢，由人来维护，不是靠数据管道（Pipeline）自动跑的。这些特点跟底层的实例数据（Instance Data）完全不一样。在本体里建模，在本体里治理，然后从里面提炼出智能体真正需要的信息，让它读那些提炼后的东西就行了。

这是在说在哪儿写定义，而不是智能体去查什么——这两个问题经常被混为一谈。同样的逻辑漏洞也出现在“我们的数据有关联，所以我们需要图”这句话里——哪个数据库的模式（Schema）没关联？外键（Foreign Key）就是一条边，JOIN就是跳一步。但几乎可以肯定，你不需要在查询时让智能体直接去连那个图。我说清楚一点：一个把图遍历完再返回结果给智能体的服务，没问题，而且常常是对的架构。我反对的是让大模型（LLM）自己去图上一步一步走——每一步决定往哪走，最后还得自己写查询。绝大多数数据本来就在关系型系统（Relational System）里，你建完图之后它们也还在那儿。智能体的任务是正确地写出查询语句去拿数据，图并不会教它怎么写。能教它的是精心提炼过的上下文（Curated Context）。

这个错误会带来一笔账，但架构图上永远不会标出来。要是智能体得先在图上推理一遍，再推理出SQL，那你就是一个答案跑两轮推理：更多令牌（Token）、更高延迟（Latency），而且同一问题跑两次可能结果还不一样。无论哪种问题，把它拆到智能体必须做的那个最核心决策上，几乎永远只是“怎么构造查询”。任何我作为上下文直接塞给智能体、而不是让它自己去推的东西，都是在问题发生之前就已经消除了不确定性。而这些上下文并不光鲜：已验证好用的查询模板、某张表该怎么用的说明、某个字段遵循的业务规则——智能体读一遍，直接写SQL。

路径（Path），还是查找（Lookup）——就这么两类。
先搞清楚智能体面对的问题长什么样。

查找类（Lookup）****
这个销售代表能在这个州卖这个产品吗？这份保单状态如何？上季度这个地区报了多少笔索赔？这些问题的边界是清楚的：连表路径在设计时就能确定，答案要么是个值，要么是个集合。智能体需要的只是：字段定义、连接键（Join Key）、数据粒度（Grain）、治理规则。给它这些，它就能去查你已有的数据。不用第二个数据库，也不用“遍历”任何东西。

路径类（Path）****
答案本身就是连接关系的形状。两点之间的最短路径或全部路径，欺诈团伙（本质上就是环），中心性（Centrality）——哪个节点在结构上更关键，某个实体的N跳（N-hop）范围内有谁、怎么连的。路径本身就是答案，不是找答案路上捎带出来的东西。

这个分法比大多数团队爱用的“深度（Depth）”要靠谱得多。深度其实是个容易骗人的指标：递归边界的大小大致是“扇出（Fan-out）^深度”，所以一个很深但很窄、又没有环的图，随便走多深都不怕；反过来，一个很浅但密集又有环的图，走到深度三就可能炸掉。企业里的元数据绝大多数是前一种。真正需要遍历的智能体少之又少，剩下海量的智能体只不过是在跟数据对话。

路径已知，就是查找；路径即答案，才是图问题。

查找和大多数分析类问题，本质上都是可达性（Reachability）问题：集合是什么、连通吗、上游是什么。递归公共表表达式（Recursive Common Table Expression，Recursive CTE）早就让SQL有了图灵完备的表达能力，所以“能不能表达”这个争论好多年前就已经结了，只是大多数人没留意到。但能表达不等于快，这一点我得说清楚。有个团队遍历一棵33.5万个节点的树，递归CTE跑了47秒，把遍历逻辑挪到C扩展里之后，降到了227毫秒。注意他们没干的事：买图数据库。他们把遍历放在数据旁边，在自己已有的引擎里搞定了。另一个团队发表了它失效的临界点：十万节点、深度4还行，到了五十万节点、深度6就开始扛不住了。

路径查找（Pathfinding）是另一回事，这时候递归SQL不仅慢，而且根本就是错的。用SQL去写介数中心性（Betweenness Centrality）或社区检测（Community Detection），等于在折磨以后接手的同事，而图引擎背后是几十年专门针对这些算法的积累。一条路径、一个环、一个簇、一个结构重要性排名——这些都是实实在在的信号，干净利落。环路（Cycle）是最典型的例子：有环的图必须显式处理环，有向无环图（DAG）遍历从来不需要考虑这个。

密度（Density），不是深度——连接一多，边界就爆炸。

三个条件同时满足，才值得加第二个数据库。但就算加了，也别把智能体放上去。

这些都是查询模式的检验标准，跟建模无关。前面说本体，是讨论在哪儿写定义；这里说的是引擎要干什么活。

1. 产出必须是路径或拓扑结构（Topology Result） ——最短/全部路径、环路检测、社区识别、中心性排名。

2. 边界真的会炸——高扇出、大量反向边（Back-edge）、没什么能剪枝（Prune）的条件。实测，别拍脑袋。

3. 在并发写入（Concurrent Writes）下，每个实体需要毫秒级（个位数）的遍历延迟——无索引邻接（Index-free Adjacency）让每跳成本跟图总大小无关，这对在线服务（Operational Serving）很重要，但对分析类任务基本没影响。

现在，带上运行时（Runtime）的视角重新看这三条。第二遍看才是关键，重点不在列表本身。没有任何一条要求智能体去碰那个图。每条都可以由一个独立系统跑完遍历、把结果丢回来。满足条件一，买图引擎；但这仍然不意味着你要把它接给模型。

聚合（Aggregation）、汇总（Rollup）、时间窗口（Temporal Window）计算是明确的例外——图查询语言在聚合方面弱得明显，列式引擎（Columnar Engine）才是干这个的。

我实际遇到的失败案例，比上面这些都要早，而且跟技术没关系。常见的情况是：组织本来已经有了一套受治理的元数据层，本来就能回答问题，却还有人提议再加一个存储——这个念头是从参考架构图里“借”来的，不是从业务负载里长出来的。没人量过边界，没人分过类。只因为图上画了一个“图”的框。

过了这道坎的团队，下一个碰到的是“数据过期（Stale Replica）”问题。被提议的图通常是从权威关系型系统里通过ETL（Extract, Transform, Load）拷过来的，所以你引入了数据延迟——偏偏在合规和高管汇报的场景里，信任被摧毁得最快，而图恰恰是作为“可信层”被推销出去的。同时你还得掏两份钱维护两套系统。有个工程团队公开过他们的数据：把层次结构、依赖关系、归属权查询从图数据库迁到已有数据仓库（Data Warehouse）的递归SQL之后，成本降了大约94%——从每月800美元左右降到每年50美元，还少运维一个系统。他们保留了图引擎做中心性、社区检测和无界路径查找（Unbounded Pathfinding），其他统统不用。

去读图相关论文真正量了什么。

图能帮上忙，是因为它筛选了上下文，不是让模型去遍历它。 | 来源：Context and Chaos

“图+大语言模型（Graph+LLMs）”这个说法之所以反复被提起，是因为有两篇论文被读成了它们没说的意思。

最常被引用的“图+LLM”证据，恰恰是反例。Sequeda他们报告说，在企业SQL模式（SQL Schema）上做问答，引入知识图谱（Knowledge Graph）后准确率从16.7%涨到54.2%。数字是真的，但论文里有一个细节被引用者们漏掉了：那里的知识图谱是本体加映射（Mappings），作用是模型读取的上下文层，而不是模型在查询时去遍历的图。这三年来围绕“图+业务”的运营案例，很大程度都靠标题里的一个词被误读了。

GraphRAG也一样，得仔细看，而且系统性的评估结果并不像大家热情追捧的那样。Han他们对比了纯检索（Plain Retrieval）和四类GraphRAG，在单跳（Single-hop）、多跳（Multi-hop）、细节导向的基准上测了个遍。那种最符合大众想象的GraphRAG——从语料里抽知识图谱，然后在上面检索——在每一项问答基准上都输给了纯检索。在专为图推理设计的MultiHop-RAG上，它拿了48.5%，纯检索是67.0%。HotpotQA上，F1分数（F1 Score）是42.6对60.0。建索引花了7702秒，纯检索135秒；检索花了14434秒，纯检索1724秒。五十倍的预处理成本、八倍的查询成本，换来的却是在它该擅长的任务上表现更差。

当然，有些GraphRAG变体确实赢了，多跳上大概领先3个百分点——而它们赢的方式正好说透了整个问题。最强的那种用图来决定取哪些文本块，但模型从来看不到图。图在上游，只做路由，用来拼上下文；一旦模型需要在图上面推理，图就立刻帮不上忙了。GraphRAG本质上是针对文本的检索策略（Retrieval Strategy over Text），从来就不是运行时挂个图数据库的理由。

那个研究里还有一个数字，我特别想拿给任何在受监管环境里提议图数据库的人看。对于语料答不了的问题（正确做法是“拒绝回答”），纯检索在96.0%的情况下会拒绝；社区摘要（Community Summarisation）变种只有19.3%会拒绝，剩下的时间它拼拼凑凑强行给了一个答案。

同一个基准上的两个数字，对比太明显了。

一个显然的质疑是：这不就是在“治理语义层（Semantic Layer）”这个现成方案上折腾吗？毕竟语义层已经有近乎完美的公开结果了。但请看清楚那些结果测的是什么——报告里百分之九十几的准确率，测的都是在已经建模的范围之内的问题，也就是人类早就定义好了一切。边界画在那些已经搞清楚的问题上，所以接近完美的准确率几乎说明不了什么。

现在去测整个模式（Whole Schema），包括所有还没建模的部分。企业级Text-to-SQL基准Spider 2.0出来的时候，前沿模型得分只有十几分，而同一模型在旧版Spider 1.0（这个领域炫耀了好多年）上是86.6%。后来差距缩小了，但缩小的方式值得细看——排行榜上恰好有一组对照实验：模型固定为DeepSeek-R1，只改外部的构建方式——基准自带的脚手架（Scaffolding）下13.7%，某个智能体框架（Agent Framework）下30.5%，另一个下52.3%。同一个模型、同一个任务，差出39个百分点。类似的模式在表里反复出现。没有任何一次运行换了存储，也没有任何一次换了模型。换的只是系统怎么跟模型描述模式（Schema）。

本刊（Context and Chaos）二月份做的控制实验直接把这个变量单独拎了出来：13张表、174个自然语言问题、522次运行，只换上下文层。准确率从裸模式的16.1%涨到高信号上下文（High-signal Context）的22.2%，统计显著（p < 0.0001）。在小模式上绝对值不大，但它仍然是实验里唯一能造成影响的变量。冗长的文档式上下文效果反而不如简洁的高信号上下文——准确率降了13.8%，成本还高了52%。这一点值得所有指望“把模型指向一个维基（Wiki）”来提高准确率的人警醒，同样也值得那些指望“把模型指向一个图”的人警醒。

“范围内”和“全模式”的数字并不矛盾，厂商的基准测试也不是造假。它们测的是不同的事，只有一种情况跟智能体收到的真实用户请求相似——因为用户根本不知道那道边界在哪儿。

实话实说，结论没那么浪漫，两边可能都不爱听。企业级Text-to-SQL既不是无解，也不是已解。它对一件事稳定地有反应：模式里有多少内容被真正描述清楚了，以及描述得有多好。所以，真正的工作不是选一个更聪明的检索架构，更不是加一个遍历步骤。真正的工作是把已建模的范围撑大，并且持续更新它。

这也会改变失败的方式，百分比数字体现不出来。一个有治理的语义层可以让系统在答不了的时候拒绝回答，而不是自信地返回一个错误数字，最后出现在董事会的PPT里。

智能体自始至终都不该知道图的存在。

我得坦白一下，我们自己的文章在这儿也有点矛盾。C&C以前说过“语义层已经失败了，上下文图是下一步”，但也留了个活话“除非我们做对”。那个活话撑起了整个论点，所以我得说清楚“做对”到底是什么意思。

语义层失败，不是因为模型本身错了。它们失败是因为被当成文档项目来搞，手工维护，然后慢慢过期。一个上下文图如果按同样的方式维护，只会换个更漂亮的牌子、花更多的钱，把同样的失败再演一遍。

这还算小的。更大的问题是：就算上下文图是新鲜的，也不适合直接丢给智能体。你应该提炼（Distil）它，变成智能体真正消费的东西：定义、连接键、粒度、治理规则——一次性读进去。智能体永远不需要知道背后有张图。

这个提炼物得自动生成、版本化管理，并且跟记录系统（Systems of Record）贴得够近，没人需要问“这数据多老了”。如果手工维护，你只是把过期问题往下复制了一层，还绕了更远的路、花了更贵的钱。

标记二十个问题，数一数路径。

拿出你的智能体最近被问过的二十个问题，或者你预期它会收到的二十个，对每个问题打三个标签。

第一：路径还是查找？数一下路径类有几个。如果接近零，那不管你的数据连得多密，图数据库都帮不了你。

第二：在已建模范围内，还是范围外？数一下范围外的。这个数才是你真实的准确率上限，也是厂商基准测试没测的那个。

第三——这个才定生死：要回答这个问题，智能体需不需要知道图的存在？不是你的平台需要，不是建上下文的管道需要，而是智能体自己需不需要。这一列，就算那些确实在技术栈里用了图引擎的团队，填上去也是空的。

我带大多数团队做这个练习时，结果都是：几乎找不到路径类，大量问题在已建模范围之外，第三列则啥也没有。这三样凑一起，说明你遇到的是个上下文问题——这才该是你花钱的地方。

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书