06-云原生图数据库 NebulaGraph 驱动的 GenAI 技术演进 - 尚卓燃.pdf

1、云原生图数据库 NebulaGraph驱动的 GenAI 技术演进演讲人：尚卓燃（PsiACE）目录背景趋势01应用案例03技术路线02Content背景趋势Part 01当图数据库遇上 GenAI传统 RAG 方法的痛点传统RAG方式面临的挑战：细粒度知识检索能力不足全局上下文关联缺失向量相似性与相关性错配全局性问题及推理型问题回答能力不足GraphRAG 的优势基于图技术的 RAG技术的优势：细粒度的切分实体和关系，保留了高度凝练的知识细节保留事物间的关联关系，提升可解释性图查询和图算法得到相关上下文NebulaGraph GenAI 团队的成果：业内首个提出 GraphRAG 方案构想的

2、团队贡献了 SubGraph RAG 和 Chain ofExploration云原生图数据库的价值 完整的 Infra 基座云原生图数据库的价值 经过大规模复杂场景检验业务成果提升用户粘性，促进用户活跃，通过精准的广告推荐提升整体的收入社交网络的场景，对安全的要求非常高，所以我们满足了 mTLS 和 Certificate 的证书每6小时更换一下控制运维成本，目前只需要 2 个工程师即可维护整个NebulaGraph 的相关产品满足了高 QPS 的需求，包括 90%以上的延迟可以达到 100ms-150ms 以内，且高可用达到 99.99%解决方案超大规模的的图谱：用户关系超过 100 亿，

3、单个最大规模图谱超过400 亿点，1000 亿边多场景使用：广告推荐、内容推荐、好友推荐、镜头推荐等各类场景超大并发：TPS 超过 150万/秒，QPS 超过 8万/秒技术路线Part 02NebulaGraph 的 GenAI 技术路线和产品GraphRAG Agentic Workflow图源：https:/vectorize.io/how-i-finally-got-agentic-rag-to-work-right/Retrieval Agent Ground TruthGraphRAG ParseCraftVLM 优先，客户需求驱动专注集成性和可定制性One Layer，Any Pa

4、rserGraphRAG Deep Seach 利用推理模型规划（DeepSeek R1/Qwen QwQ）融合 GraphRAG 能力进行充分洞察 节约开销、增强效果GraphRAG All in MCP 上游优先：贡献了 LlamaIndex 社区 McpToolSpec，官方 MCP 支持层 内部改造优化：率先落地 Local MCP 范式图源：https:/hackteam.io/blog/build-your-first-mcp-server-with-typescript-in-under-10-minutes/Graph Insight Text to GQL 对接已有图谱，用户

5、可以直接以问答形式进行图查询和图计算 基于规则/AST/算子模板的查询生成和校准 Agent 自省Graph Insight Agentic&CoE 基于 Agentic 范式的图探索能力 Chain of ExplorationGraph Insight-MCP 提供 NebulaGraph MCPServer 预先封装算子模版，如邻居发现，路径发现等 支持接入已有算法模板应用案例Part 03NebulaGraph 的 GenAI 技术如何发挥作用产品-图 AI 工具链面向开发者的一整套工具链，方便企业自行开发 AI 应用封装 GraphRAG 核心技术屏蔽复杂的 AI 应用开发的技术细节

6、核心功能GraphRAG图谱构建图谱推理模型微调产品 图 AI 应用平台面向终端用户，开箱即用，帮助用户以对话方式快速构建 AI 应用：智能客服机器人故障排查助手研报生成机器人特点智能文档处理零代码零工作流零提示词设计工业解决方案：基于图和LLM的动态排障系统基于LLM自动抽取知识：构建面向工业协同研发系统的知识图谱基于知识图数据库及智能问答系统进行数据交互落地行业首个生成式人工智能驱动的实际应用场景，荣获沙丘社区2024最佳案例15强和行业头部企业一同协作，验证在复杂排障知