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

2025 NebulaGraph 社区之星璀璨揭晓！

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)



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

> 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