数据库的世界里，我们将数据建模为为点、边、属性。
而在现实生活中，女性，不是图里等待被连接的一个点，而是一张图，是一张不断生长、无限扩展的关系网络。可遍历，可探索，永远有未抵达的节点等待被发现。
一个人是节点，一群人就成了一张网。她这种节点，让整张图，因她而更精彩。
这一次，我们邀请你走进一场特别的 MeetUp——由 NebulaGraph 社区成员作为分享嘉宾，分享女性在技术领域的成长、实战与连接。
<blockquote>
 💡不论性别，只要你关注技术、成长与多元视角，男性同样可以成为倾听者、交流者，甚至成为 Lightning Talk 的分享嘉宾。多元的对话，让彼此看见更广阔的图景。
</blockquote>
<h2 id="post-活动亮点">活动亮点</h2>
<ul>
<li>真实成长故事：从山村求学、职场跨界到技术突围，看女性如何在变化中重塑自我。</li>
<li>硬核技术实战：图数据库、风控算法、AI 产品——女性技术人如何温柔有力地解决难题。</li>
<li>反直觉思维工具：在“效率至上”的技术世界，如何用“慢思考”建立商业信任。</li>
<li>社群连接与托举：除了girls help girls，还有更多社群与个人愿意为你助力。</li>
<li>闪电演讲开放麦：你的声音值得被听见。扫码提交分享，成为节点之一。</li>
</ul>
<img src="https://picx.zhimg.com/80/v2-84c60266848393154ffe57caaec9729b_1440w.jpg?source=ccfced1a" alt="" />
在黄浦江畔 和 NebulaGraph 一起度过一个有意义的妇女节
<h2 id="post-活动议程">活动议程</h2>
<img src="https://pica.zhimg.com/80/v2-ce44298994b4c3d5cf3bd05e83269d3e_1440w.jpg?source=ccfced1a" alt="" />
议程详情⬇️🔍
https://luma.com/rc5t0sm8
<h2 id="post-欢迎你来">欢迎你来</h2>
<ul>
<li>技术领域从业者（女性开发者、风控管理、产品经理、AI 开发）</li>
<li>对图数据库、风控、AI 产品感兴趣的学习者</li>
<li>希望突破职业瓶颈、寻找同路人的你</li>
<li>关注多元、公平与包容的社区伙伴</li>
</ul>
让我们在这个春天
成为彼此图里最亮的一个节点～

一场特别的 MeetUp——由 NebulaGraph 社区成员作为分享嘉宾，分享女性在技术领域的成长、实战与连接。

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

上海活动｜她这种节点：女性成长 x 图数据库 x AI x 风控

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？

数据库的世界里，我们将数据建模为为点、边、属性。

而在现实生活中，女性，不是图里等待被连接的一个点，而是一张图，是一张不断生长、无限扩展的关系网络。**可遍历，可探索，永远有未抵达的节点等待被发现。**

一个人是节点，一群人就成了一张网。**她这种节点，让整张图，因她而更精彩。**

这一次，我们邀请你走进一场特别的 MeetUp——**由 NebulaGraph 社区成员作为分享嘉宾，分享女性在技术领域的成长、实战与连接。**

> 💡不论性别，只要你关注技术、成长与多元视角，男性同样可以成为倾听者、交流者，甚至成为 Lightning Talk 的分享嘉宾。多元的对话，让彼此看见更广阔的图景。

# 活动亮点

* 真实成长故事：从山村求学、职场跨界到技术突围，看女性如何在变化中重塑自我。
* 硬核技术实战：图数据库、风控算法、AI 产品——女性技术人如何温柔有力地解决难题。
* 反直觉思维工具：在“效率至上”的技术世界，如何用“慢思考”建立商业信任。
* 社群连接与托举：除了girls help girls，还有更多社群与个人愿意为你助力。
* 闪电演讲开放麦：你的声音值得被听见。扫码提交分享，成为节点之一。

![](https://picx.zhimg.com/80/v2-84c60266848393154ffe57caaec9729b_1440w.jpg?source=ccfced1a)

在黄浦江畔 和 NebulaGraph 一起度过一个有意义的妇女节

# 活动议程

![](https://pica.zhimg.com/80/v2-ce44298994b4c3d5cf3bd05e83269d3e_1440w.jpg?source=ccfced1a)

议程详情⬇️🔍

*https://luma.com/rc5t0sm8*

# 欢迎你来

* 技术领域从业者（女性开发者、风控管理、产品经理、AI 开发）

* 对图数据库、风控、AI 产品感兴趣的学习者

* 希望突破职业瓶颈、寻找同路人的你

* 关注多元、公平与包容的社区伙伴


**让我们在这个春天**

**成为彼此图里最亮的一个节点～**

> 本文整理自 NebulaGraph Engineer Hao Wen 在 AI Memory Forum 2025 上的演讲。 

今天我们不谈基础的图数据库概念与应用场景，而是聚焦于一个更前沿的融合领域——基于图的 RAG 平台。

在大型语言模型席卷全球的当下，企业面临的核心挑战已从如何搭建一个大模型转变为如何安全、高效、低成本地使用大模型处理私有知识。

# 一、当前大模型落地的现实路径

面对私有化部署和知识更新问题，目前主要有两种路径：微调与纯接口调用。

* 微调：成本高昂、流程复杂，文档的每次更新都可能触发重新训练

* 纯接口调用：无法触及企业内部知识，无法根治模型的幻觉问题。

在这两种方案之间，RAG（检索增强生成）脱颖而出，成为平衡成本、安全性与可行性的主流范式。

RAG 的核心逻辑清晰：为内部知识建立索引，在提问时先进行检索，再将精准的上下文喂给大模型，从而生成可靠答案。

![](https://pica.zhimg.com/80/v2-8ea26badc187f0e5bdd365856cee6026_1440w.jpg?source=ccfced1a)


然而，当人们谈及 RAG，脑海中首先浮现的往往是向量数据库与嵌入模型。但这条路，真的足够平坦吗？

# 二、RAG 四大困境

深入实践后，我们发现传统的向量 RAG 存在几个结构性问题。

![](https://pica.zhimg.com/80/v2-94567725052180ffb96509bf2d0caa26_1440w.jpg?source=ccfced1a)

## （一）细粒度检索不足

![](https://pic1.zhimg.com/80/v2-572f270094719ca8907a1b075cb39d19_1440w.jpg?source=ccfced1a)

以《乔布斯传》为例，提问“乔布斯与 Apple 有哪些重要事迹”时，Apple 是决定检索准确性的核心实体。当相关内容集中于以 Apple 为主题的 chunk 中时，向量检索较容易命中。

但若 Apple 相关信息仅在讲述乔布斯个人经历等其他主题的 chunk 中零散出现，其语义权重会被整体主题稀释，导致关键事实难以被准确召回，暴露出向量 RAG 在细粒度检索上的局限性。

## （二）关系缺失

文档之间天然存在引用、衍生、对立等复杂关系，向量数据库将文档切分为孤立的片段后，数据的关联随之减弱。

## （三）语义鸿沟

![](https://pic1.zhimg.com/80/v2-f0ee3e19bbca6b98c7931b7b229671e5_1440w.jpg?source=ccfced1a)

语义相似度 ≠ 上下文相关性 。举个相似但不相关的例子，保温杯与保温大棚，两者 token 在很大比例上表达共同的语义：“保温”。但在一些场景下，想要了解保温杯却召回了保温大棚的信息。

RAG 在索引阶段即使设置了比较高置信度，也很可能因为其相似性而得到不相关的信息。

## （四）全局推理乏力

![](https://picx.zhimg.com/80/v2-aa17f6c53d39c71d7c544fbeff1f4536_1440w.jpg?source=ccfced1a)


"所有文档的核心观点是什么？"、"请总结出最重要的五个发现"。这类需要跨文档综合分析、提炼的全局性、社区级问题，恰恰是向量检索的短板。

# 三、图的破局：

从孤立片段到关联网络

如何破局？答案是图数据库。微软研究院一篇重要论文也论证了图数据库在增强 RAG 能力方面的价值。

事实上，NebulaGraph 在微软之前就率先提出了 GraphRAG，而且微软在论文中也引用了我们的 GraphRAG 相关工作。

NebulaGraph 是分布式开源图数据库，愿景是成为全球第一的图数据库厂商。目前，在 DB-Engines 的图数据库排行榜上，我们排名全球第二。

NebulaGraph 主要面向大规模、高性能的应用场景，支持千亿点、万亿边的超大规模数据集。同时，我们也是最早一批参与国际标准图查询语言 ISO-GQL 制定标准，并实现全球首个全面支持 ISO-GQL 的图数据库产品。

现在说回图数据库如何解决 RAG 所面临的挑战。

## （一）解决文档切分难题

在向量数据库中，第一步通常是将文档切分成 chunk，然后生成向量。随之而来的问题是：chunk 多大才合适？

* 如果 chunk 太小，可能会切断语义，甚至产生与原意相反的含义；

* 如果 chunk 太大，真正有价值的信息只占其中一小部分，导致相似度得分反而很低。

![](https://picx.zhimg.com/80/v2-8b972133532bc951d7eaba5a3b72694c_1440w.jpg?source=ccfced1a)

在图模型中，文档、章节、段落可以作为具有丰富属性的节点存在，并通过边明确表达其间的层级、引用关系，语义被结构性地保留下来。

## （二）重建上下文关联

一个多级部门文档体系，比如一级部门纲领、二级部门细则、三级部门报告，彼此之间存在引用关系。

* 在向量数据库中，这些文档被切成 chunk 后是“平权”的，无法保留层级、来源和引用关系。

* 在图数据库中，我们可以清晰地建模"发布"、"引用"、"归属"等关系，形成一个可追溯、可解释的知识网络。

## （三）解锁复杂推理能力

![](https://picx.zhimg.com/80/v2-636b0c1b9e39469714c4d35ebf2bb44a_1440w.jpg?source=ccfced1a)

对于"文档 A 与文档 C 有何关联？"这样的问题，GraphRAG 可以通过子图搜索、路径查询轻松找出连接路径。

对于"总结核心要点"，则可以利用社区发现、中心性分析等图算法，识别出网络中最关键、最聚合的信息群。

# 四、超越 GraphRAG：Fusion GraphRAG 的诞生

当然，GraphRAG 自身也面临挑战：

* 索引构建成本高、耗时长；

* 不擅长多模态数据（而向量可统一表示文本、图片、音频等）；

* 面对数据版本冲突时，可能会无意中合并冲突信息，生成错误答案。

为此，NebulaGraph 提出了原创的 Fusion GraphRAG 架构。

![](https://picx.zhimg.com/80/v2-51aa21d9b72bb243535c7322c5cb983c_1440w.jpg?source=ccfced1a)


![](https://pica.zhimg.com/80/v2-243aa8b5a965714fc5e5190bd2e65b31_1440w.jpg?source=ccfced1a)


Fusion GraphRAG 在知识图谱之上，创新地增加了一层文档元数据与结构索引层。这一设计带来了显著的效率提升：

* 相比 GraphRAG，索引构建速度提升约 5 倍；

* 在与微软 GraphRAG 的对比中，索引阶段更是快了近 20 倍，同时问答准确率更高。

这一架构构建在 NebulaGraph 原生分布式图数据库之上，实现了图、向量、全文三索引融合。

* 图索引：负责处理实体、关系与复杂路径查询。

* 向量索引：快速捕捉语义相似的片段。

* 全文索引：支持精确的关键词匹配。

三种索引各司其职，又协同工作，再结合多样的图算法，共同支撑起强大的检索与推理引擎。

# 五、开箱即用的图增强 AI 平台

![](https://pic1.zhimg.com/80/v2-57a50ffd0a16a4fcd8e20d6ae29e2e9c_1440w.jpg?source=ccfced1a)

基于 Fusion GraphRAG，我们构建了完整的 AI 应用开发生态：

* Nebula AI Application SDK：为开发者提供灵活调用的工具包。

* Nebula AI Application Platform：零代码开箱即用的端到端平台，用户只需选择知识库，即可创建专属 AI 应用。

* 云服务：提供弹性可扩展的云上服务。

开发层面，用户可以零代码创建 AI 应用，选择使用的知识集。问答层面，体验如 ChatGPT 般自然流畅，并且因为基于图索引进行检索，因此整个过程是可视化、可解释、可审计的，你可以清晰地看到答案是如何一步步从知识网络中推理生成的。

在 Benchmark 测试中，我们平台的问答准确率达到了 0.81，在优化场景下可达 95%，显著优于当前领先的开源方案。

# 六、结语

大模型开启了人机交互的新篇章，但其在企业级场景中的真正价值释放，依赖于对私有知识的安全、精准、深度利用。当传统向量检索在复杂关联与深层推理面前力有不逮时，图数据库以其固有的关系表达能力，为 RAG 提供了关键的上下文、结构和逻辑。

而 NebulaGraph 的 Fusion GraphRAG，正致力于将图的深度、向量的广度与全文的精度融为一体，为企业构建下一代可信、可解释、具备复杂推理能力的 AI 应用，提供坚实的数据基础架构。





Fusion GraphRAG：超越 GraphRAG 的多模态企业级 AI 问答

![](https://pic1.zhimg.com/80/v2-e9e6b181fc47b90624d068d6be3f9285_1440w.jpg?source=ccfced1a)

> 本文基于演讲内容与 PPT 材料整理，部分数据与案例已脱敏，仅供参考交流。
 PPT 下载： https://discuss.nebula-graph.com.cn/t/topic/17404 

很高兴在这个夜晚与大家在线上相遇。我是来自 NebulaGraph Product VP 杨哲超。今天，我想与各位分享在AI 与图数据库交叉领域的一些思考与实践。

图数据库或许对很多开发者来说仍是一个相对垂直和小众的产品，但实际上，它与人工智能的关系极为紧密。在大模型兴起之前，知识图谱已是 AI 体系中不可或缺的技术组成部分，而图数据库，正是知识图谱的最佳底座，专注于解决多元异构数据的融合、分析与决策问题。

在数据库权威排名 DB-Engines 上，[NebulaGraph](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515915&idx=1&sn=4f53647870a1c02566c17504fac516fc&scene=21#wechat_redirect) 在全球图数据库类别中排名第二，在国内则位居榜首。我们不仅支持超大规模图数据、具备高性能与低构建成本等特性，更在 AI 时代持续探索图与智能的深度融合。

# 一、AI 的期望与现实：为何大模型难以深入产业？

当前 AI 行业面临一个明显矛盾：一方面，政策与产业界对大模型寄予厚望。从国家“十五五”规划对人工智能的全方位赋能要求，到高盛预测未来数年在生成式 AI 上近 1 万亿美元的投入，无不显示各界对 AI 推动生产效率提升的期待。

然而另一方面，大模型在生产领域的规模化商业回报尚未显现。据 Gartner 预测，超过 30% 的生成式 AI 项目将在概念验证阶段后被放弃，原因涉及数据质量、风险控制、成本与业务价值不明确等。MIT 的研究进一步指出，最终仅有约 5% 的 AI 项目能进入生产环境并实现可衡量的业务价值。

![](https://picx.zhimg.com/80/v2-aed81b72f251b34edd3b06cdbbb73815_1440w.jpg?source=ccfced1a)

我们认为，造成这一割裂的核心原因有两个：

**1. 模型幻觉问题**：本质是基于概率的预测模型，其设计目标并非严格遵循事实，导致在高精度、高可靠性要求的场景中，输出结果难以信赖。

**2. 数据孤岛问题**：即使是最强大的通用大模型，也难以接触到各行业内部的专有数据，例如政务内网、企业业务系统等，导致模型在垂直领域中“看不见”关键信息，难以触及生产核心。

## 二、GraphRAG：

从检索答案到核查事实的范式升级

最近 Google 推出的NotebookLM之所以受欢迎，正是因为它通过引入外部知识源，显著降低了模型幻觉。这背后的关键机制正是 RAG.

![](https://picx.zhimg.com/80/v2-b28d81a67801671856f05eb7d9e0b927_1440w.jpg?source=ccfced1a)

RAG 的本质，是让大模型从记忆里找答案转变为到事实中去核查。而目前常见的 RAG 索引方式主要有三种：全文索引、向量索引和图索引。

**1. 全文索引**：基于关键词匹配，略显生硬，依赖倒排索引等技术。

**2. 向量索引**：更接近语义检索，能够理解内容含义，适合推荐、相似性查询等场景。

**3. 图索引**：核心是找关系，能够保留数据中丰富的关联信息，避免信息被切割丢失。

相比前两者，GraphRAG 可视为传统 RAG 的革命性升级。它将知识图谱与图技术深度整合到大模型架构中，显著提升了上下文关联性、推理深度与结果可解释性。

# 三、GraphRAG 的挑战与 NebulaGraph 的破局之路

尽管 GraphRAG 优势明显，但其应用仍面临两大门槛，这让很多想尝试的开发者望而却步：

* **技术门槛高**：涉及命名实体识别、关系抽取、社区划分等多项 NLP 技术，需要大量标注数据与模型调优。

* **使用成本高**：构建与使用成本高出向量索引两个数量级，且依赖大量 GPU 集群进行推理。

![](https://picx.zhimg.com/80/v2-20441f11d4a69013f51c3a76deb5f1b6_1440w.jpg?source=ccfced1a)

**为了不让 GraphRAG 沦为 PPT 里的摆设，NebulaGraph 核心做了两件事**：

****1. 降低技术门槛**：让业务人员也能驾驭图**

我们不希望 GraphRAG 是一个无法干预的黑盒。通过提供可解释、可干预的工具，业务人员可以根据行业理解在图谱中直接插入规则。这种人工干预+模型概率的结合，才能保障产品在生产环境里的可靠性，真正实现：

* 透明可控：可视化流程 + 全链路审计，节点与关系一目了然；

* 灵活定制：支持在节点与边上插入业务规则，无需重新训练即可快速迭代；

* 高效协作：拖拽式无代码配置，降低操作与调优难度。

![](https://pic1.zhimg.com/80/v2-ea131d6262894620e411582adbd49a70_1440w.jpg?source=ccfced1a)


**2. 降低使用成本：打造端到端自动化工具链**

我们将 GraphRAG 从科研项目转变为标准产品，大幅压缩实施周期与成本：

* 传统流程需经历：数据清洗 → 分块 → 实体抽取 → 关系抽取 → 社区发现 → 摘要生成 → 图入库 → 接口封装，全程约需 2–4 周 ；

* NebulaGraph 自动化方案：

* 通过大模型自动识别数据领域，覆盖约65%的高频行业场景；

* 高集成封装，开箱即用，数小时内即可完成图谱构建，初始 F1 值可超0.85；

* 遵循第一性原理优化，建索引效率较微软 GraphRAG 提升约两个数量级。

![](https://picx.zhimg.com/80/v2-d9f7a0bb276db5422870bfac2af5e742_1440w.jpg?source=ccfced1a)

# 四、实战案例：

基于图智能的运维根因定位

分享一个我们最近在头部运营商落地的真实案例。在处理海量运维工单时，传统的做法是靠老专家的经验，在成千上万行日志里“捞”根因，不仅累，还容易漏。

NebulaGraph 的解决方案是，把工单按时间线来“连线成图”。 通过将每一个工单子图融合成一张全局知识大图，再利用 PageRank 等算法自动计算节点的权重。最终的效果非常惊艳：

* 定位准确率提升至85%；

* 平均定位时间从 60 分钟降至5 分钟，效率提升12 倍。

该方法已申请发明专利，并适用于金融、电力、制造等所有具备时序日志与告警体系的场景。

![](https://pic1.zhimg.com/80/v2-2696834de7d75a315b0f32fbb7643933_1440w.jpg?source=ccfced1a)

（感兴趣的小伙伴，可以借鉴类似案例，如 BOSS 直聘 20 秒根因定位）

[![](https://picx.zhimg.com/80/v2-4a11cee4f33f8b9e4bc0543936dbb68f_1440w.jpg?source=ccfced1a)]()

# 五、趋势展望：

Graph + AI 推动大模型走向专业决策

站在现在看未来，我们认为 Graph + AI 会有两个显著的信号：

**1. 从孤岛走向知识中枢**：现在的 AI 很多是单点应用（比如一个简单的聊天机器人）。未来，企业会更倾向于把自有数据连接成一张大图，构建真正的企业大脑，支持更复杂的业务决策。

**2. 从事后分析走向事前预测**：现在的 RAG 大多是静态的检索，未来它会更具动态性。大模型将不只是告诉你发生了什么，而是能参与到事中的干预，甚至预测可能发生的风险。

# 六、愿景：

共建开放、智能的图数据生态

作为国内领先的图数据库厂商，NebulaGraph 将持续推进图与 AI 的融合创新：

* 推动GQL 标准化与GraphRAG 架构规范化，降低行业使用门槛；

* 与高校、研究机构合作，培育“图 + AI”复合型人才；

* 开放产业案例库，分享跨行业实践，加速技术落地；

* 积极集成 Memory Zero、Memory Machine 等 AI 组件，构建更开放的图智能生态。

我们相信，图 + AI 将成为企业数字化转型的核心引擎，但技术落地不是一家公司能完成的，希望未来能与更多开发者一起，赋能千行百业实现真正意义上的智能升级。

图数据库与AI 结合，让大模型从智能问答到专业决策

从智能问答到专业决策：Graph + AI 如何驱动大模型走进产业核心