Ultipa的博客

4、白盒化、可解释：区别于传统的复杂SQL代码查询的黑盒化问题，以及深度学习、人工智能算法中常见的黑盒化、不可解释性等问题，图数据库中的查询、算法整体的特点是计算（查询）的结果基本上是确定性的，每一步都是可解释、白盒化的。，三者相辅相成：在数据建模上，能够构建高维、可解释性强的图谱，清晰展现数据间复杂的关联关系；基于图增强技术的智慧审计系统通过对传统审计模式的革新，实现了算力的提升、效率的飞跃和准确性的增强，为金融机构在复杂多变的市场环境中提供了更为强大、精准的审计支持，助力其有效防范风险，实现稳健发展。

知行合一致良知，终身学习实践，更新知识框架与认知范式，运用唯物辨证法等方法论持续提升，“苟日新，又日新，日日新”，人们的正确应对之道。逝者如斯夫，不舍昼夜。常有人将数据比做内燃机时代的“原油”，电气时代的“电力”，但是否有人想过:如果单位数据量的生产成本不能显著降低，就算质量得以保证，但仅靠实验室制备的涓滴汽油或电荷，是无法为算力与算法提供强大动力的；我的体会，“健识”就是要求我们知行合一致良知，终身学习实践，更新知识框架与认知范式，运用唯物辨证法等方法论持续提升，“苟日新，又日新，日日新”，方近乎道矣。

​嬴图正式推出嬴图Cloud V2.1，此次发布专注于提供无与伦比的用户体验，包括具有水平可扩展性的嬴图Powerhouse的一键部署、具有灵活定制功能的管理控制台、VPC / 专用链接等，旨在满足用户不断变化需求的各项前沿功能！​

一份优秀的技术文档犹如精准的航海图。它是知识传承的载体，是团队协作的桥梁，更是产品成功的幕后英雄。然而，打造这样一份出色的技术文档并非易事。

嬴图Powerhouse，直译过来就是能量站、动力站，它是嬴图自2019年发布高密度并行图计算引擎以来的一个里程碑，包括对整个产品架构的一个彻底革新，为大量复杂数据进行计算、分析和存储提供了快速和强大的动力支持。目前嬴图的用户正在使用它来实时处理每天数亿笔的交易或被用于科研领域。嬴图的产品有2大核心：底层的图数据库与上层的数据分析与可视化软件。实时图数据库是分布式、可扩展、可弹性的高性能原生图数据库，它能够承载万亿级点边的超大规模数据集，通过超融合统一图计算架构，提供达到实时级别的微秒、毫秒级查询和分析。

笔者从技术实践的角度，探讨如何利用嬴图数据库、Langchian、大语言模型（LLM）以及Chroma Vector DB并通过 Python 实现对图聊天机器人的开发呢？

还有对抗攻击，攻击者故意制造一些看似正常的但实际上误导人工智能的输入数据，使模型产生错误的决策（类似人类的邪教对人的精神和意识的控制），这种对抗攻击是基于AI的安全系统，如门禁识别等等，就会构成严重的人身和财产安全问题。“向善””是科技的上限，而且上限可以是不封顶的，但我们也要更多的关注科技的下限是什么，在哪里，怎么搞……这是底线，底线是不能破坏的！在现实环境中，越来越多的商家、企业喜欢也使用机器学习来增强它们对于商业前景的可预测性，有的采用了深度学习、神经元网络的技术来获取更大的预测能力。

图数据库不能只存不算？只存的话，用任何其它数据库都可以。数据库必须具有算力，而图数据库的算力的特点就是深度下钻的能力，如果没有这个能力，却要自称图数据库，就一定是骗局。业界这类的公司并不少见—— 把知识图谱应用当图数据库卖给客户，半卖半送，买得越多，业务抱怨越多，科技的烂尾越多。但凡有图思维的方式，在接触图数据库厂家之时就应该有一个更准确的、深入的判断逻辑。

在现实环境中，越来越多的商家、企业喜欢使用机器学习来增强它们对于商业前景的可预测性，有的采用了深度学习、神经元网络的技术来获取更大的预测能力。

在游戏中，图数据库可以通过高效处理复杂关系、灵活的数据模型、强大的查询能力、丰富的图算法、高并发读写且易于扩展等高性能，赋能游戏设计开发出更加的丰富和多元的游戏应用场景，旨在让玩家更有沉浸式的游戏体验和感受……

数值分析在本质上是一种数值化近似方式的算法，通过量化的方式来加速求解，比如，保险行业精算师的主要工作就是进行数值分析，以及金融业中的存贷款定价、风险量化分析等操作，都可以通过数值分析类算法来实现。同上，分布式要求对算法的数据结构及系统架构进行大幅改造，有的算法进行简单改造就可以获得很好的分布式条件下的效率提升，但有些算法采用分布式可能会出现指数级的性能下降。在图查询与算法的计算过程中，合并是个极为常见的操作，具体的逻辑类似于合并排序(Merge Sort)算法，特别是在多线程并发情况下的算法实现。

a、从头开发：（现有数据库系统的可扩展性和灵活性是关键）如果新需求与现有系统的差异大，现有系统不够灵活、性能要求高，而且长期维护复杂，那么，从头开发合适。比如它的设计比较单一、硬编码或不支持新的功能，那么在它上面进行改造可能会非常复杂，不如从头开发来得方便。b、如果新需求和旧系统相似（如数据结构、数据类型、操作模式等），技术栈和团队熟悉、时间紧张，在此基础上进行修改就是一个更省时省力的选择。（3）要考虑长期的维护成本和性能需求（系统的维护和更新一定要考虑进去，较老或定制化的系统可能会给维护带来额外负担）。

物流网络背后图数据库技术的应用。

什么是图呢？一文快速了解！

任何一个互联网上的设备，包括服务器或我们的个人电脑设备，都有一个对应的地址，即IP地址，（比如，192.168.1.1)。所有设备，都通过这个独立唯一的IP地址来互相访问。当我们在浏览器里输入一个域名的时候，浏览器会通过“域名解析系统” （DNS）来查询到这个域名当前对应的IP地址，然后访问该IP地址对应的服务器。注意，域名并非我们平常所说的“URL地址”，而只是URL地址中的一部分。由于IP地址不容易被记忆，人们发明了域名系统，即将某个IP地址与某个域名对应起来，比如，www.google.com,

再比如全图k邻查询（k-Hop Neighbors，k跳邻居）​，在连通度较高的图中，即便是查询1个顶点的3跳、5跳邻居都可能会非常耗时（假如1个顶点的1跳邻居有20个，2跳邻居有400个，3跳邻居有8000个，而5跳邻居已经在3200000个的量级）​，如果有10000000个顶点，那么运行完这个算法的耗时和复杂度将是天文量级的。分而治之是算法设计中最经典的思路，把大的问题缩小，把大的数据集缩小，通过递归、并发、分布式等方法来分块处理，最后再汇总来解决全量的问题。❑ 面向元数据的低维、离散的操作。

当然，如果是精心制作的音频，观展效果一样不会打折扣，但很多素喜逛博物馆的朋友大都有过糟糕的体验——太多博物馆的音频内容极差，观众扫码后，只是听到照本宣科的一小段内容，且晦涩干瘪，毫无任何增量知识的获取，这无疑是对观展研习的一次浪费（尤其是针对青少年来说）更别提能够启迪心智了……如下图所示，图数据库以其强大的底层引擎能力，将复杂的、海量的文物之间的关联、历史事件的时间线或考古、人文等信息全部呈现出来，构成一张庞大的、无远弗届的知识图谱——这是图技术模拟人类大脑思维方式的一种高维展示。

回答一个朋友提的问题—— 在国内，开源怎么做呢？老夫结合自己多年在开源和商业领域的经历与见闻聊聊。首先来说，毋庸置疑，开源是对传统的商业模式的一种颠覆，它以一种免费+开放的姿态赢得了Hacker群体的心，鼓动了一批又一批的程序员投身，孜孜不倦地为开源项目贡献代码、编写文档、四处宣讲……开源项目也成为积聚人气的一种新宣讲方式。这对于长期以来只有商业+闭源一条独木桥可走的需求侧企业与机构而言，开源显然提供了另一条路。不过，这可能是康庄大道也可能是！

本文讨论了“白piao”在英文中的对应表达方式，并分析了其在社会学中的含义及互联网行业中的free-rider现象，包括开源软件的使用和商业模式。同时，批评了盲目追随某些技术理念的行为。

随着全球经济和科技环境的快速变化，开源软件项目的蓬勃发展成为了开发者社区的热门话题。越来越多的开发者和企业选择参与开源项目，以推动技术创新和实现协作共赢。你如何看待当前开源项目的发展趋势？你在参与开源项目时有哪些经验和收获？方向一：开源项目的发展趋势提示：分析当前开源项目的发展现状，开源社区的活跃度，以及开源项目在技术创新中的作用。方向二：参与开源的经验分享提示：分享自己参与开源项目的经历，包括如何选择开源项目、如何贡献代码、如何与开源社区合作等。方向三：开源项目的挑战。

扫地机器人的智能、高效、灵活程度，最重要的核心技术便是路径的设计与规划，比如自主地实现避障，在不同地形如木地板、砖地板、地毯、地垫等以及各种障碍物的情况下进行实时决策、移动、清扫等任务。

400*40 = 16000线程，这个是底层硬件的并发计算能力，然而，现在的这些数仓或者大数据框架们，也就能用到不到1000个线程，这是对计算资源的90%+的浪费！首推Hadoop，甚至Spark都不是什么真正的高性能系统，还有很多所谓的也打着高性能标签的系统，例如那些性能平平的列数据库们 --- 仔细想想，对数字敏感一点，一个简单的原子级的操作，如果是毫秒级，它已经让在纳秒级工作的CPU白白空转了1,000,000次了！简单而言，搞存储的人一定少于搞计算的，但是到了极致，都已经是万中无一的。

相比之下，图模型灵活的索引结构允许更快的数据查询和分析，展示了图数据的高性能。同时，由于底层硬件的发展以及学术界的整体研究重点集中在社交网络分析这一缺乏普遍性的图论分支等历史原因，工业级图数据库的研究停滞了几十年。敏捷，图数据库的图形模型非常直观，支持测试驱动的开发方法，允许在每次构建过程中进行功能和性能测试，满足当今流行的敏捷开发实践的需求。嬴图 Transporter 支持全平台运行，支持格式丰富，提供文件例如TSV，CSV、Mysql，BigQuery 等数据导入能力以及 CSV 导出能力。

如图7所示，在真实世界中，危机的传递是图算法中的一种典型的算法，以发生危机的实体为起点，顺着或逆着（取决于边的具体定义）边的方向进行1步、2步、3步直至更深的查询，得到的就是先后会被危机波及到的实体。如今，海银财富的爆雷事件已引起了广泛的关注和反思，我们不仅要对这家公司的违法行为进行严厉打击和惩罚，更要从中吸取教训，加强金融监管和风险防范，保障金融市场的稳定和健康发展。让我们在“图”中穿透里面的故事和事故。底层资产：产品的底层资产对应发行人无实际业务，无办公地点，债权人债务人关联密切，应收虚假，见图4。

但不得不说的是，图数据库在处理复杂关系和图查询方面具有明显优势，当然，通过适当的设计和优化，传统关系型数据库和NOSQL类其他数据库可以在某些情况下能够接近图数据库的性能，但是，对于一些特定场景，如反洗钱等需要复杂关系查询、多跳路径查询的需求，图数据库的技术特性那就是天然的理想选择了！尤其是在整个世界从大数据时代向深数据时代转型的当下，过去传统的基于SQL或 NoSQL构建的图谱的缺陷，已无法高效去处理海量、复杂、动态的数据的能力，更何谈进行关联、挖掘和分析的洞察力？当然不是必须的，还得看是干什么用？

啥是好的图数据库？ 无论是什么数据库，如果不突出性能这个第一生产力，那么还有什么继续深入了解它的必要呢？

不法分子通过各种渠道获取到简历，并用于欺诈活动，形成了一套庞大的黑色产业链。针对这一问题，企业或组织如何利用图技术来解决个人信息泄露的反欺诈挑战？

对于图数据库系统而言，嬴图创新性地使用了高密度并发图计算基础架构、高并发、低延迟、支持递归查询数据结构……

上周，发了一篇关于大语言模型+图数据库技术相结合的文章，引起了很多朋友的兴趣。本篇聊聊该技术的历史以及针对于它的局限性等等，图技术能给大模型带来什么化学变化？

本文集中在Ulitpa嬴图在应用中的一些探索与实践，看看大模型+图技术 是如何相互辅助、互相促就的。

从技术的角度来看，当前几乎所有的反洗钱合规系统的底层用的都是传统关系型数据库，它是将客户、账户、交易等信息存储在行、列之中，找潜在的关联，就需要工作人员将多张表链接起来运行查询，这可能需要数小时甚至数天，也甚至根本无法完成，因而导致几乎无法确定不同的参与方和交易方之间的联系，并进行有意义的分析。2、传统的数据库系统，并不适合在多个层级的账户中去关联点和确定各个隐藏关系，无法满足对多方、多笔交易之间进行有意义的、洞察性的分析，而这对于分析资金流动的痕迹和评估其洗钱风险是及其至关重要的。

随着图数据库技术在工业领域的有效开展和深入应用，在建模时，到底“图数据”与“表数据”有哪些不同？本文，笔者以搭建一个简单的医院信息管理系统为例，具体对比并阐述了用关系型查询语言SQL和图查询语言UQL（Ultipa GQL）在结构设计、查询语句和呈现结果上的不同。同时，希望这些思考也能带给更多的图开发者、使用者、决策者以及爱好者些许启迪，欢迎大家留言交流。在实际应用场景中，图数据库的图模型构建还会涉及各种错综复杂的情况，而本次实践仅是为了激发对这个话题的初步思考——精心雕琢图模型对于确保高效查询至关重要。

当然，时至今日，完全打翻了信任托付的概念，尤其对于豪门家族的一种托底方式的变相宣传，甚至在短期内，曾经富有的投资者将是大部分苦果的承担者。值得一提的是，金融场景是一种基于长链条计算的场景，这就导致技术实现时的规则更为复杂，因为会涉及到各种回溯、归因，而且数据的计算量更大，同时也更注重时效性。作为历史上第一家破产的信托公司，新华信托和我们熟知的新华保险没有半毛钱的关系，其前身属于工行旗下的重庆信托，属于“明天系”的。我们从“图”的世界来反观真实世界，危机的传递就是典型的K邻搜索的过程，以发生危机的实体为起。

深度图搜索、实时性、白盒可解释、稳定性等能力对于反洗钱场景中尤其是在庞大的资金网络中识别可疑资金，实时甄别洗钱行为，发现复杂可疑人员间的交易脉络，快速评估风险程度等已在反洗钱领域得到深入应用。

不难发现，在数据库技术50多年的发展历史中，它蓬勃的生命力以及新型数据库对传统数据库发出的挑战——其背后的推动因素主要是工业界和学术界亟需一种新型的、高效的、灵活的、高维的架构出现，以满足数据量的迅猛增长（Volume）、数据种类的多样性（Volume），数据产生速度的飞速提升（Volume）以及人们对数据价值的关注性（Volume）——也因此能够理解GQL为何成为了自1983年以来唯一一个继SQL后的国际标准，这也有力说明了图数据库技术对未来的影响力和重要性。为什么图数据库的优势越来越突出？

IBM公司研究员Edgar F. Codd于1970年提出了关系数据库模型的论文——“A Relational Model of Data for Large Shared Data Banks”（大型共享数据库的数据关系模型），奠定了关系模型的理论基础，他本人也被誉为“关系数据库之父”，并于1981年获得“图灵奖”。2）1968年，伴随阿波罗登月计划，商业数据库的雏形诞生，出现IBM公司IMS(Information Management System)、Mainframe等数据库技术。

大家可以理解为，当你的系统为了能更好的支持真实的业务场景时，例如数据、事物一致性的时候，你的系统可能不得不牺牲掉一些性能因素——这也就是为什么很多系统都是越做越慢——随着你的核心代码越来越臃肿，真正能保持性能极致的系统，少之又少

我们知道，企业影响力分析的内容，远不止探讨持股关系、生产供求关系等传统的问题，凡是和企业相关的金融行为、事件，以及与这些事件行为有直接关联、甚至间接关联的事务，都应被列在研究范围内。值得注意的是，图往往包含着复杂的属性及定义，例如：边的有向、无向，边的属性权重，K 邻是否包含 K-1 邻，如何处理计算环路等等，这些问题会导致 K 邻算法具体实现的差异。此外，K邻算法在行业中的应用，多为多模态的异构图，就是将很多张信息单一的图融合在一起的综合性的图谱。遍历图中的顶点时，就会涉及到多跳的问题。

马克思说，生产力决定生产关系。人工智能、物联网、云计算……伴随科技领域日新月异，信息流动、物资流动都达到了前所未有的水平，越来越多企业参与在全球经济循环中，横贯东西方几个世纪的生产力鸿沟，正在被快速填平，世界似乎真的正在被抹平……然而，我们也看到了硬币的另一面——在构成世界的复杂逻辑中，“戴尔理论”并不灵验，修昔底德陷阱并将长期存在。

近年来，网络分析（Network Analysis）技术越来越广泛地应用在寄生性疾病的传播以及生物灭绝、入侵或迁移等对生态系统稳定性的研究中。这些研究的范围取决于涉及到的地区大小、宿主/寄生虫的种类多少等。