<pre><code class="hljs">📅 时间：4 月 18 日（周六）14:00 - 17:00 

📍 地点：杭州市余杭区奥克斯写字楼 22 层 

🚇 交通：地铁 5 号线创景路站（ B3 口），未来科技城 Manner Coffee 对面

 🤝 联合主办：NebulaGraph x StarRocks x TiDB x FastGPT x AskTable 

🎟️ 形式：线下沙龙 + 线上直播
</code></pre>
随着 AI Agent 走向应用前台，RAG 成为主流架构，作为支撑底层的数据基础设施，正在经历一场深刻的范式转移。
从 NebulaGraph 图技术对本体论的完美映射，到 StarRocks 从“赋能 AI 应用”到“利用 AI 反向重塑”的双向演进；从 TiDB 在 AI 原生应用中的快速增长，到 AskTable 与 FastGPT 在智能体落地中的工程实践——数据不再是静止的存储行列，而是在流动与计算中，成为了支撑 AI 理解与决策的核心基石。
4 月 18 日，杭州，五大技术社区悉数集结，共同探讨关于下一代数据基础设施的真实思考：
<ul>
<li>看图技术如何成为本体论的完美映射，支撑 AI 对复杂关系的理解。</li>
<li>分析数据系统如何支持 AI，以及 Agent 如何反向优化数据库架构。</li>
<li>在 Agent 应用爆发的当下，探讨如何构建具备规模化增长能力的数据底座。</li>
<li>复盘从 NL2SQL 到易用智能体开发过程中的技术权衡与演进。</li>
</ul>
<hr />
在这个数字化程度极高的时代
回归线下交流显得尤为珍贵
尽管模型可以推演逻辑
代码可以自动补全
但技术背后那些关于解决问题的直觉、思考与经验
依然深藏于开发者之间的真实互动中
<a href="https://luma.com/i1uld2oo">戳此立即报名</a>，面对面交流 AI + Data～
<h2 id="post-活动议程">活动议程</h2>
<img src="https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-and-data-meetup-hangzhou/agenda.png" alt="" />

用户案例

周边工具

特性讲解

开发日志

技术分享

产品实践

社区动态

行业科普

新闻资讯

发版说明

安装部署

解决方案

架构系列

源码解读

NUC2022

性能报告

杭州 AI+Data MeetUp｜五大技术社区邀你解锁 AI 时代的数据基础设施

Nebula 架构剖析系列（零）图数据库的整体架构设计

NebulaGraph发布企业版 v3.4.0，深入探索数据价值

美团：主流图数据库厂商选型报告 NebulaGraph vs Dgraph vs JanusGraph

中国移动：NebulaGraph 图数据库在金融风控中的落地应用

如何用 NebulaGraph 图技术搞定 7 个典型社交网络应用？



```
📅 时间：4 月 18 日（周六）14:00 - 17:00 

📍 地点：杭州市余杭区奥克斯写字楼 22 层 

🚇 交通：地铁 5 号线创景路站（ B3 口），未来科技城 Manner Coffee 对面

 🤝 联合主办：NebulaGraph x StarRocks x TiDB x FastGPT x AskTable 

🎟️ 形式：线下沙龙 + 线上直播
```


随着 AI Agent 走向应用前台，RAG 成为主流架构，作为支撑底层的数据基础设施，正在经历一场深刻的范式转移。

从 NebulaGraph 图技术对本体论的完美映射，到 StarRocks 从“赋能 AI 应用”到“利用 AI 反向重塑”的双向演进；从 TiDB 在 AI 原生应用中的快速增长，到 AskTable 与 FastGPT 在智能体落地中的工程实践——**数据不再是静止的存储行列，而是在流动与计算中，成为了支撑 AI 理解与决策的核心基石。**

4 月 18 日，杭州，五大技术社区悉数集结，共同探讨关于下一代数据基础设施的真实思考：

* 看图技术如何成为本体论的完美映射，支撑 AI 对复杂关系的理解。

* 分析数据系统如何支持 AI，以及 Agent 如何反向优化数据库架构。

* 在 Agent 应用爆发的当下，探讨如何构建具备规模化增长能力的数据底座。

* 复盘从 NL2SQL 到易用智能体开发过程中的技术权衡与演进。

---

在这个数字化程度极高的时代

回归线下交流显得尤为珍贵

尽管模型可以推演逻辑

代码可以自动补全

但技术背后那些关于解决问题的直觉、思考与经验

依然深藏于开发者之间的真实互动中

**[戳此立即报名](https://luma.com/i1uld2oo)，面对面交流 AI + Data～**


# 活动议程

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-and-data-meetup-hangzhou/agenda.png)



> 本文简要介绍本体论的起源及应用，NebulaGraph 将在 4.18 举办「Data+AI」MeetUp，由 NebulaGraph 产品专家@方扬，带来主题为「以本体论重构数据：图技术驱动 AI 理解世界」的 topic，将结合本体论对 NebulaGraph 的 AI 能力进行深度分享。**[戳此报名，](https://luma.com/i1uld2oo)在杭州 Office 与你共话AI～**

2月 28 日，美国和以色列对伊朗发动突袭。开战 24 小时内，美军通过 Maven Smart System 识别并打击了超过 1000 个伊朗目标。在 2003 年伊拉克战争中，达成同样的战果需要 2000 名顶级情报分析师通宵达旦地从如山的报告中找线索。

Maven 系统由科技公司 Palantir 耗费 13 亿美元打造，将卫星、无人机、雷达、信号情报全线打通，分类、排序、推荐打击方案由 AI 完成。其CTO Sankar 坦言，这个高精尖武器其实就是一个哲学概念的工程化应用：本体论（Ontology）。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/1.webp)

与此同时，越来越多的 AI 产品发布会上，本体论也变成了常客。

为何一个研究了 2000 多年的哲学概念，突然成了解决 AI 幻觉和构建万物互联世界的救命稻草？

# 一、什么是本体论？

##（一）哲学的终极追问

本体论一词源于希腊语 onto（存在）和 logia（学问）。在亚里士多德看来，这是“第一哲学”。它不关心具体的物理定律，而是关心：世界上到底存在什么？这些存在的东西，彼此之间有什么关系？

想象一个简单的场景：你的桌子上有一个苹果。

* 物理学关心它的质量、加速度。

* 生物学关心它的细胞、品种。

* 本体论则关心：这个“苹果”是一个实体（Entity），它属于“水果”这个类（type），它具有“红色”这个属性（Property）。如果我咬了一口，它还是原来的那个“实体”吗？

## （二）计算机科学的翻译官

到了 20 世纪 90 年代，人工智能专家 Tom Gruber 给出了一个著名的定义：本体是对概念化说明的显式规范。

翻译成通俗易懂的人话就是：本体论是给机器的一份世界说明书。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/2.webp)

机器不像人类，它天生没有常识。你告诉机器“苹果”，它可能认为是一串二进制代码。本体论的作用，就是构建一套结构化的知识框架，告诉机器：

* 对象（Objects）：定义“是什么”。可理解为说明书里的“名词大类”。它划定了世界由哪些基本对象组成。

> 例子：什么是“人”、什么是“公司”、什么是“城市”。

* 实体实例（Entity instance）：定义“哪一个”。这是大类下的具体对象。有了类型，机器才能识别出具体的个体。

> 例子：在“人”类型下，具体指“张三”；在“城市”类型下，具体指“杭州”。

* 属性（Property）：定义“长什么样”。这是每一个实体的特征描述，用来刻画细节。

> 例子：“张三”的年龄是 30 岁；“杭州”的人口是 1200 万；“公司”的注册资本是 1 亿元。

* 链接（Links）：定义“怎么关联”。明确实体之间的联系方式，如“属于”、“导致”、“包含”，它把孤立的点连成网。

> 例子：“张三”在“NebulaGraph”上班；“NebulaGraph”的总部位于“杭州”。

* 约束（Constraints）：定义“规则”。这是逻辑的边界，防止机器产生低级错误。

> 例子：一般情况下，一个人不能同时在两个互斥的地点上班（你不能同时出现在杭州 office ，又在美国 office）；或者“一家公司的成立日期必须早于它的注销日期”。

# 二、为什么本体论再次出圈？

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/3.webp)

本体论可以为语义异构、知识不可复用、无法自动推理、语义网络理解、领域知识建模等问题提供解决思路，在 AI 时代，其核心价值可概括为以下两点：

## （一）解决 AI 幻觉问题

比如，目前的生成式 AI（如 ChatGPT）本质上是概率预测机器。它通过上万亿个词汇的排列组合，猜出下一个字该说什么。

尴尬就在这里：概率不等于逻辑。它可能计算出“林黛玉倒拔垂杨柳”在统计学上是通顺的，但它不理解“林黛玉”这个实体的属性（柔弱）与“倒拔垂杨柳”这个动作（力量型）在本体论逻辑上是冲突的。

引入本体论后，AI 就有了一本逻辑指南。在回答问题前，它会先检索底层的知识图谱，确认实体之间的逻辑关系，从而极大地降低 AI 胡说八道的概率。

再如，传统 RAG 通过向量相似度，只做到了语义相关性检索，但本体论引入了一种确定性逻辑。

Palantir 的 Maven 系统敢应用于实战打击，是因为它在 AI 推荐方案后，会通过本体层进行逻辑验证，如：某个被标记的目标在物理规则上是否可能在 5 分钟内出现在两个地点？这种本体约束是 AI 走向高可靠性的必经之路。

## （二）解决数据巴别塔难题

在《圣经》中记载了这样一个故事：人类曾想联合起来修建一座通往天堂的巴别塔，但上帝让人类突然说起了不同的语言，彼此无法沟通，最终计划失败，人群四散。巴别塔的故事，形象地展现了因缺乏通用语言或标准而导致的系统无法整合的状态。‌

比如，在大型企业中，财务部门有一套数据库，销售部门有一套，研发部门又有一套。同样是“客户”这个词，财务看的是“纳税人识别号”，销售看的是“联系人电话”。

再比如，在图数据库领域，在 ISO-GQL（国际标准图查询语言）未发布之前，每家厂商有各自的图查询语言，Neo4j 是 Cypher，NebulaGraph 是 nGQL，Apache TinkerPop 框架下的图遍历语言则是 Gremlin ，导致用户的学习成本和迁移成本居高不下。

这些现象正是数据孤岛的体现。而本体论提供了一套共用语言，使不同来源的数据能够基于统一的逻辑模型实现互通与理解。

# 三、本体论的实战工具：NebulaGraph

理论再美，也需要强大的技术底座来实现。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/4.webp)

本体论强调的是“关系”，而图数据库（Graph Database）天生就是为了“关系”而生的，是本体论的完美物理映射，让本体可计算、可推理、可进化。

## （一）NebulaGraph 介绍

作为开源图数据库的领军者，NebulaGraph 的出现，真正让大规模本体模型的存储和实时查询成为了可能。

### 1. 天然契合本体结构


在 NebulaGraph 中，数据由点（Vertex）和边（Edge）组成。点对应本体论中的“实体”，边对应“关系”。这种结构与人类大脑思考问题的方式、与本体论的建模逻辑高度统一。

### 2. 动态 Schema

属性灵活，可为顶点动态添加属性，非破坏性更新完美适配知识图谱中“概念”的增量演进特性；类型即约束，虽设计灵活，但其强类型的边设计，确保了关系的语义严谨性，避免关系泛滥导致的本体论失真。

### 3. 逻辑一致性

NebulaGraph 5.x 是首个原生支持 ISO-GQL 的图数据库，这不仅是查询语言的统一，更是本体论中“关系语义”的标准化。

### 4. 极致的关联查询性能

利用 NebulaGraph，可以在毫秒级完成千亿数据集的多条查询（即“朋友的朋友的朋友...”）的查询，这是传统数据库无法企及的。

### 5. 赋能上下文图谱

NebulaGraph 基于本体论，通过构建企业级的上下文图谱（Context Graph），作为大模型的“外挂大脑”，让 AI 理解，“过去发生了什么”，以及“为什么允许发生”，真正解决传统向量 RAG 只做检索，无法形成关键认知的难题。

## （二）NebulaGraph 信贷反欺诈 Demo

以信贷反欺诈为场景，用 NebulaGraph 建立包含用户、身份证、手机号、设备、IP 等实体的风险关联网络，帮助风控人员快速评估金融信贷欺诈风险。

### 1. 设计图模型

在 NebulaGraph 中，点（Vertex）用来保存实体对象，边（Edge）用来连接点，表示两个点之间的关系或行为。这与本体论的基本逻辑完全一致。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/5.webp)

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/6.webp)

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/7.webp)

### 2. 创建图空间并定义点、边

先创建图类型与图空间，并执行以下语句定义节点、边结构及属性：


```
CREATE GRAPH TYPE IF NOT EXISTS `financial_risk_type` AS {
  NODE TYPE `user` (LABEL `user`{`user_id` STRING NOT NULL, `name` STRING DEFAULT NULL, `is_blacklist` BOOL DEFAULT NULL, `is_overdue` BOOL DEFAULT NULL, `credit_limit_increase_times` INT64 DEFAULT NULL,  `is_credited` BOOL DEFAULT NULL, PRIMARY KEY (`user_id`)}),
  NODE TYPE `id_card` (LABEL `id_card`{`card_no` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`card_no`)}),
  NODE TYPE `phone` (LABEL `phone`{`phone_no` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`phone_no`)}),
  NODE TYPE `google_account` (LABEL `google_account`{`gaid` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`gaid`)}),
  NODE TYPE `email` (LABEL `email`{`email_addr` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`email_addr`)}),
  NODE TYPE `gps` (LABEL `gps`{`gps_coord` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`gps_coord`)}),
  NODE TYPE `device_id` (LABEL `device_id`{`device_no` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`device_no`)}),
  NODE TYPE `ewallet` (LABEL `ewallet`{`wallet_no` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`wallet_no`)}),
  NODE TYPE `bank_card` (LABEL `bank_card`{`bank_no` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`bank_no`)}),
  NODE TYPE `ip` (LABEL `ip`{`ip_addr` STRING NOT NULL, `is_black` BOOL DEFAULT NULL, PRIMARY KEY (`ip_addr`)}),
  EDGE TYPE `bind_idcard` (`user`)-[LABEL `bind_idcard`{}]->(`id_card`),
  EDGE TYPE `bind_phone` (`user`)-[LABEL `bind_phone`{}]->(`phone`),
  EDGE TYPE `bind_google` (`user`)-[LABEL `bind_google`{}]->(`google_account`),
  EDGE TYPE `bind_email` (`user`)-[LABEL `bind_email`{}]->(`email`),
  EDGE TYPE `bind_gps` (`user`)-[LABEL `bind_gps`{}]->(`gps`),
  EDGE TYPE `bind_device` (`user`)-[LABEL `bind_device`{}]->(`device_id`),
  EDGE TYPE `bind_ewallet` (`user`)-[LABEL `bind_ewallet`{}]->(`ewallet`),
  EDGE TYPE `bind_ip` (`user`)-[LABEL `bind_ewallet`{}]->(`ip`),
  EDGE TYPE `bind_bankcard` (`user`)-[LABEL `bind_bankcard`{}]->(`bank_card`)
}



"""
CREATE GRAPH `financial_risk_graph` :: `financial_risk_type`
"""
```


### 3. 导入数据

使用 INSERT 语句分别导入用户、证件、设备、账户等关联数据。


```
-- 导入用户节点
TABLE `t` { `user_id`, `name`, `is_blacklist`, `is_overdue`, `credit_limit_increase_times`, `is_credited` } =
("u001", "张x", "FALSE", "TRUE", "2", "TRUE"),
("u002", "李x", "TRUE", "TRUE", "5", "FALSE"),
...
("u100", "吴x", "FALSE", "TRUE", "2", "FALSE")
USE `financial_risk_graph`
FOR re IN `t`
INSERT (@`user` {`user_id`: re.`user_id`, `name`: re.`name`, `is_blacklist`: CAST(re.`is_blacklist` AS BOOLEAN), `is_overdue`: CAST(re.`is_overdue` AS BOOLEAN), `credit_limit_increase_times`: CAST(re.`credit_limit_increase_times` AS INT), `is_credited`: CAST(re.`is_credited` AS BOOLEAN)})

-- 导入身份证绑定关系
TABLE `t` { `user_id`, `card_no` } =
-- 前20个用户每人绑定1-3个身份证，制造关联
("u001", "110101xxxx01010xxx"),
("u002", "110101xxxx01020xxx"),
("u002", "110101xxxx01030xxx"), -- u002绑定2个身份证
...
("u014", "110101xxxx01050xxx") -- u014共享u004的第一个身份证
USE `financial_risk_graph`
FOR re IN `t`
MATCH (v1@`user`{`user_id`: re.`user_id`}), (v2@`id_card`{`card_no`: re.`card_no`})
INSERT (v1)-[@`bind_idcard` {}]->(v2)
"""
MATCH (u:user {user_id: 'u001'}), (c:id_card {card_no: '110101198001010011'})
INSERT (u)-[:bind_idcard {}]->(c);
```


![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/8.webp)

### 4. 进行查询

查询用户 3 跳内所有关联路径，以全面掌握目标用户的关联网络范围，发现潜在的风险传导路径。


```
use financial_risk_graph match p=(n@user{user_id:"u067"})-[]-{1,3}(e) return p
```


![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ontology-and-graph/9.webp)

通过可视化界面，清晰展示出从用户 u067 出发，经过 1 到 3 跳能到达的所有节点及路径。

> 💡该 Demo 已在 NebulaGraph 官网上线，欢迎体验
> https://www.nebula-graph.com.cn/posts/financial-risk-management

# 四、本体论如何改变我们的未来？

## （一）Web3 链上分析：穿透匿名地址的马甲

在去中心化金融世界中，攻击者常通过多个看似独立的匿名地址进行洗钱或拉高出货。通过本体论建模，我们可以定义“同一实体操控”、“资金流向路径”等逻辑关系，将这些分散地址背后的真实关联网络一网打尽，让链上犯罪无所遁形。

##（二）工业 4.0：数字孪生的灵魂

在波音飞机的制造中，几百万个零件之间存在着复杂的逻辑依赖。本体论可以定义零件之间的父子关系、物料清单（BOM）关系。当一个螺丝的设计发生变更，系统能通过图数据库立刻推演出这会影响到哪些传感器，甚至哪个航线的安全性。

## （三）个性化医疗：精准到基因的关系网

每个人的基因、病史、用药、生活习惯都是碎片化的。通过本体论构建人体健康图谱，医生（或 AI 医生）可以发现：由于你带有某项基因特征，某种药物对你可能产生的副作用。这种深度的因果关联，只有基于本体论的图谱才能揭示。

# 五、结语：重构世界的秩序

本体论从两千年前的哲学辩论，演变成今天驱动 AI 的基石，说明了一个深刻的道理：世界的本质不在于孤立的数据，而在于数据之间的连接。

在这个信息爆炸、真假难辨的时代，谁能更清晰地梳理出“世界存在的方式”，谁就掌握了通往高阶智能的钥匙。

无论你是技术开发者、企业管理者，还是对世界充满好奇的观察者，拥抱本体论，其实就是拥抱一个更具逻辑、更加透明的未来。

别再卷大模型了：Palantir 告诉我们，AI 的进阶是“本体论”

交流图数据库技术？**加入 Nebula 交流群**请先填写下「[你的 Nebula 名片」](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

---
2025 年全球图数据库市场规模为 28.5 亿美元，预计将从 2026 年的 36 亿美元增长到 2034 年的 202.9 亿美元。无论是风控、推荐，还是知识图谱，许多公司早已拥有一套图系统，数据动辄几十亿节点、上百亿关系，甚至更大。

但一个很少被公开讲出来的现实是，**大多数公司的图，其实“算不动”。**

经典的图算法，如 PageRank、社区发现、最短路径，已被广泛应用于生产环境。问题在于，当关系规模真的上来之后，这些算法开始变得不再工程可行，耗时太慢，或者不敢跑全量。

**企业真正需要的，已经从把海量关系存下来，转向在海量关系上做计算**。并且这个过程不应该再依赖研发和产品层层转译，而是让业务人员自己能制定规则，直接落地更智能、更贴近业务逻辑的分析，同时能够快速构建图算法，把效率真正提上来。

NebulaGraph Analytics，正是在这个背景下出现的。

## 一、在超大规模图上直接运行复杂算法

NebulaGraph Analytics 切入的核心，是让用户在超大规模图上灵活自定义复杂算法。

这是一款深度运行复杂图算法的图分析平台，相较于 Apache Spark GraphX **资源消耗降低至约 20%，计算性能提升约 5–10 倍**，帮助用户高效洞察潜在的结构与模式。

其核心价值在于开放而灵活的自定义算法能力——用户不仅可以调整参数适配数据特征，更能基于业务需求编写专属算法。

为什么自定义图算法如此关键？

* **通用算法难以直接落地**：绝大多数标准图算法无法直接解决业务问题，需要根据具体场景微调模型、参数甚至算法逻辑。

* **业务规则需自主可控**：风控等场景涉及核心业务规则与敏感逻辑，无法交由外部厂商实现。

* **算法迭代速度决定风险**：风险与业务模式持续变化，算法需快速迭代，等待外部开发周期往往错失最佳时机。

* **业务效果需紧密耦合**：算法优化高度依赖业务经验反复调试，底层厂商难以承接业务效果的交付目标。

因此，能让用户自主编写自定义算法的图计算产品，才是真正契合业务需要的产品。

## 二、NebulaGraph Analytics 的关键能力

在大规模图计算进入生产环境后，更应该关注这些核心约束。

* 算法是否可扩展

* 计算成本是否可控

* 是否支持业务定制

* 是否能够融入现有数据体系

* 是否具备持续运行能力

NebulaGraph Analytics 的能力设计，正围绕这些约束展开。

## 1.面向业务的自定义图算法能力

在实际应用中，标准图算法往往只能覆盖一部分需求。

例如在风控、资金分析或资产关联场景中，企业通常需要结合业务规则，对算法逻辑进行扩展或重构。这类需求很难通过预置算法直接满足。

NebulaGraph Analytics 提供基于 GQL 的自定义算法能力，允许用户直接定义计算逻辑，让业务人员能够自主构建算法，无需依赖研发与产品团队，将业务规则更智能、更贴合实际地落地到图分析中。

* 将算法表达与图结构统一在同一语义体系内，业务人员只需聚焦业务逻辑，而非底层计算框架。

* 基于 GQL 语言实现，门槛远低于 C++ 等语言，业务人员仅需极小的学习成本，即可读懂、编写、修改。

* 结合大模型能力，提供对应的 skills，输入自然语言，直接生成可运行的算法，显著缩短算法开发、排期、上线周期，将原本数周的工作压缩至低成本、短时间完成。

* 避免在外部系统中重复构建计算逻辑，支持面向具体业务问题的算法高效定制。

从系统视角来看，这意味着图分析能力从调用已有算法，演进为构建面向业务的图计算模型——让算法开发回归业务本身，而非技术的复杂度。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/nebula-analytics/analytics-1.png)

在欢迎页面，单击「立即开始」按钮，即可跳转业务开发页面，在业务开发页面中可直接创建和运行分析作业。

此外，欢迎页面还提供了常用算法的链接。单击某个算法链接，快速查看其代码实现，并通过自定义来创建自己的分析作业。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/nebula-analytics/analytics-2.png)

进入任务开发页面，项目面板用于管理项目和文件，编辑器面板用于编辑所选文件中的过程，以临时模式运行过程，或创建作业以定时运行过程。

## 2. 面向异构环境的数据接入能力

企业数据通常分布在多个存储系统中，包括图数据库、数据湖以及对象存储等。

如何在异构环境下高效接入数据，是图分析落地的前提。

NebulaGraph Analytics 提供多源数据接入能力，支持从以下数据源导入数据：

* NebulaGraph 图数据库

* 本地存储系统

* HDFS

* Amazon S3

* Google Cloud Storage

同时支持多种主流数据格式，包括：

* CSV

* Parquet

* ORC

这一能力使图分析可以在不改变现有数据架构的前提下进行扩展，降低系统集成成本。从架构角度看，能高效地将图计算能力嵌入现有数据体系。

## 3. 面向生产环境的作业管理与调度能力

图分析在实际业务中通常不是一次性计算，而是持续运行的分析流程。

例如：

* 定期更新图指标（如中心性、社区结构）

* 持续监测异常模式

* 支持下游系统实时或准实时调用结果

NebulaGraph Analytics 提供可视化作业管理能力，用于：

* 图分析任务的开发与配置

* 作业执行过程管理

* 定时调度与自动化运行

作业管理页面包含两个页签：作业和运行记录。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/nebula-analytics/analytics-3.png)

如上图所示，作业页签展示了所有作业。可按名称搜索作业，并按触发类型过滤作业，并对作业进行增删改查、暂停中止等作业管理工作，

作业详情页，将提供作业 ID、过程、计算资源、定时、运行记录等信息。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/nebula-analytics/analytics-4.png)

运行记录页签提供运行记录，可自定义时间范围进行筛选，并支持搜索由特定作业触发的运行，或按状态或触发类型过滤运行记录。

# 三、NebulaGraph Analytics 的应用场景

NebulaGraph Analytics 的应用场景，本质上集中在高关系复杂度与高结构依赖的业务领域。

在用户管理中，用户价值不再只是行为结果，而是其所处关系网络的位置。通过图分析，可以识别关键影响节点和高价值群体，从而支撑更精准的运营策略。

在风险控制中，欺诈往往呈现为网络结构而非单点异常。通过社区发现、路径分析等方法，可以在全图范围内识别协同欺诈与资金链路，实现从单点识别，向结构识别的转变。

在资金与审计中，图分析可以还原复杂资金流路径，识别异常链路与关键节点，使原本难以追踪的过程具备可计算性。

而在资产管理与金融场景中，图结构则用于刻画隐性关联与风险传导路径，从而支持系统性风险评估与决策优化。

# 四、总结：场景化、规模化、平台化

NebulaGraph Analytics 围绕大规模图计算构建了完整的系统能力，包括：

* 通过自然语言自定义图算法

* 面向大规模数据的计算效率

* 对多数据源的兼容能力

* 可视化管理平台

当关系规模进入万亿时代，图算法的核心挑战不再是如何实现，而是如何高效计算。NebulaGraph Analytics 通过 GQL 与大模型能力的结合，显著降低了算法开发门槛，业务人员可以直接聚焦业务逻辑，将算法开发周期从数周缩短至数小时。

技术复杂度被系统吸纳，业务意图得以直达计算核心，让图算法真正成为可落地、可被业务自主驾驭的基础设施。

> NebulaGraph Analytics 为企业版 5.x 全新推出的图分析平台，如需咨询更多产品性能及报价，请填写商务咨询问卷～
> https://www.nebula-graph.com.cn/contact

---

交流图数据库技术？**加入 Nebula 交流群**请先填写下「[你的 Nebula 名片」](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/qrcode-wechat.png)

可自定义图算法的图分析平台 NebulaGraph Analytics

AI 时代的万亿关系分析计算：NebulaGraph Analytics