ChatTuGraph：通过大模型“与图对话”

作者：范志东

使用SQL（Structured Query Language）对数据库/数据仓库进行查询分析操作，几乎成了研发工程师和数据分析师的“家常便饭”，然而要写出高效、清晰、优雅的SQL脚本并非易事。随着大语言模型（LLM）技术的普及，借助大模型微调（Fine Tuning）等技术将自然语言自动翻译为SQL语句（NL2SQL/Text2SQL）便成了非常流行的解决方案，相关的工具框架（Chat2DB、DB-GPT等）也是层出不穷。

同样的，在图数据库领域也存在相似的问题，甚至更为严峻。相比于SQL相对成熟的语法标准（SQL2023），图查询语言尚未形成成熟的统一标准，目前是多种查询语法并存的状态（GQL、PGQ、Cypher、Gremlin、GSQL等），上手门槛高，因此更需要借助大语言模型的自然语言理解能力，降低图数据库查询语言的使用门槛。

1. 图表融合：SQL+GQL

TuGraph计算引擎TuGraph Analytics创新性地设计了SQL+GQL融合语法，以解决图表混合分析场景的业务诉求，将图上的分析计算能力有机地融合到传统的SQL数据处理链路内，实现了图引擎上一体化的图数据建模、图数据集成、图存储、图交互式分析能力。

TuGraph Analytics的SQL+GQL融合语法典型形式为**“SELECT-FROM-WITH-MATCH-RETURN”**结构，通过GQL语法的“MATCH-RETURN”语法单元，为SQL处理提供数据子视图，方便传统数据分析师对数据的进一步处理。

通过以上的语法设计，可以满足多样化的图表融合处理的诉求。点边数据源提供构图数据，Request数据源提供图计算触发的起点集合。

不同的数据源处理模式的组合，形成了多种“流”与“图”的混合计算形态。而SQL+GQL的融合语法设计，可以很好地表达多样化的计算模式。

2. 与图对话：ChatTuGraph

我们不否认SQL+GQL融合语法是一个创见性的语言设计，但这并不能解决“新型图查询语言的高上手门槛”这个通病，因此，借助于LLM微调实现专有的图查询语言模型，通过自然语言的方式与图数据交互，实现“与图对话（Chat-to-Graph/Chat-TuGraph）”。

我们初步构想了面向未来的图数据库智能化能力，至少具备以下产品形态：

1. 智能交互分析：通过Agent发送图查询指令，同步获取图数据结果。
2. 智能数据变更：通过Agent发送图变更指令，修改图数据，获取修改状态（成功与否、影响行数等）。
3. 智能任务处理：通过Agent发送图处理任务指令，触发异步图计算任务，获取图任务运行状态。
4. 智能运维管控