北京
让一个AI智能体去交付一个功能，观察它做了什么：读取文件、决定操作顺序、写代码、跑测试、修复问题、宣布完成。整个过程中存在一个计划——它有步骤、步骤之间有依赖关系、有些步骤比其他步骤更重要。但你永远看不到它。它只存在于模型的上下文窗口里，会话一结束就蒸发了。
这个计划本质上是一张图。每个智能体框架（驱动模型循环运行、管理工具、执行策略的程序）都会私下构建这样一张图，用完即弃。这个决定你即将花费的token是否值得的产物，恰恰是没人记录下来的东西。
这很奇怪。因为AI工程十五年来一直在尝试用图解决问题，而且每次都获得了实际价值。知识图谱为搜索提供了符号化结构；GraphRAG让检索能回答关于整个语料库的问题，而不是单个片段；LangGraph及其同类产品为智能体控制流赋予了形状。作者自己的MagGraph则给智能体记忆一个人类可读的形态。每一次，都是把一个模糊的问题变成图，然后获得可审查的结果。
三种已解决的图应用
第一种是知识图谱。谷歌在2012年宣布了Knowledge Graph，这个词随之进入主流词汇。其思想更早：把世界表示为实体（节点）和类型化关系（边），这样查询"居里夫人"返回的是一个人、她的领域、她的奖项、她的合作者——作为关联事实而非十条蓝色链接。底层是三元组存储或属性图。三元组是"主语-谓语-宾语"，属性图给节点和边都附加键值属性。无论哪种，结构都是显式的，可以遍历、计数路径、问"什么连接了A和B"并得到确定性答案。
第二种是作为工程产品的图数据库。Neo4j及其Cypher查询语言让属性图对不想写递归SQL的应用开发者变得实用。这项工作最终促成了GQL——图查询语言的ISO标准，于2024年发布，是自SQL以来首个新的ISO数据库语言。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
