別死磕百萬上下文了！Neo4j CEO 詳解知識圖譜：如何把大公司的“隱性知識”塞進(jìn) AI 的腦子？

“專用向量數(shù)據(jù)庫的生存空間已經(jīng)快沒了！”

編譯 | 王啟隆

出品丨AI 科技大本營（ID：rgznai100）

這兩年，AI 圈里有一個越來越明顯的錯位。

一邊，大家還在為上下文窗口越做越大興奮，100 萬、200 萬，仿佛只要能往模型里塞進(jìn)更多東西，問題就會自動消失。另一邊，真正開始把 AI 系統(tǒng)往生產(chǎn)環(huán)境里推的人，越來越容易撞上一堵墻，問題從來不只是信息夠不夠多，而是這些信息彼此到底是什么關(guān)系。

• 一個 chunk 為什么會被撈出來？

• 每一段話是誰寫的？

• 一條權(quán)限對誰生效？

• 這份文檔為什么重要？

• 這個答案到底是沿著什么路徑長出來的？

如果這些東西始終只是散落的文本，那么上下文再長，很多時候也只是更大的噪音池。可一旦信息開始帶著實(shí)體、關(guān)系、權(quán)限、作者、來源和歷史進(jìn)入系統(tǒng)，問題就完全變了。AI 要的也許不是更多文本，而是一層能把文本重新組織起來的結(jié)構(gòu)。

這也是為什么，圖（Graph）在這個時間點(diǎn)重新變得重要。

最近一期 Latent Space 播客請來了 Neo4j 首席執(zhí)行官Emil Eifrem。Neo4j 是圖數(shù)據(jù)庫領(lǐng)域最有代表性的公司之一，Emil 則是過去很多年里持續(xù)推動這套技術(shù)路線的人。放在今天的語境里，這已經(jīng)不只是數(shù)據(jù)庫圈子的舊話題了，因?yàn)?strong>圖數(shù)據(jù)庫正重新卷進(jìn) GraphRAG、知識圖譜、智能體記憶、上下文圖譜這些 AI 系統(tǒng)里越來越核心的問題。

這場對話最有意思的地方在于，它沒有把圖說成一種神秘的新答案，反而把一件事講得越來越具體，AI 系統(tǒng)需要的，不只是 top-K chunks，而是帶結(jié)構(gòu)的上下文。GraphRAG 也不是把向量檢索替換成另一個流行詞，而是讓系統(tǒng)先從語義相近處起步，再沿著真正有意義的關(guān)系繼續(xù)展開。這樣得到的東西，不只是更準(zhǔn)，也更容易追問，更容易調(diào)試，更容易解釋。

Emil 在這場對話里一路講到 Neo4j 的來路，講到圖數(shù)據(jù)庫和向量數(shù)據(jù)庫的關(guān)系，講到知識圖譜、Agent memory、context graph，也講到一個越來越清楚的判斷，未來很多 AI 應(yīng)用，也許都需要一層圖狀的上下文底座。名字可以很多，但背后的方向其實(shí)正在變得越來越一致。

要點(diǎn)速覽

• AI 缺的未必是更多上下文，很多時候缺的是上下文之間的關(guān)系。

• top-K chunks 可以把文檔撈出來，但解釋不了它們?yōu)槭裁粗匾?、彼此為什么相連。

• 向量搜索解決的是“像不像”，圖更擅長回答“為什么是它”。

• GraphRAG 不是替代向量檢索，而是讓檢索命中之后還能順著關(guān)系繼續(xù)往下走。

• 當(dāng) AI 開始進(jìn)入權(quán)限、歷史、作者、決策軌跡這些復(fù)雜地帶，純文本上下文很快就會不夠用。

• 圖數(shù)據(jù)庫重新變重要，不是數(shù)據(jù)庫品類回潮，而是 AI 系統(tǒng)開始需要一層更像知識結(jié)構(gòu)的上下文底座。

為什么“圖”在當(dāng)下至關(guān)重要

主持人：大家好，我們今天在遠(yuǎn)程演播室連線了 Neo4j 的首席執(zhí)行官 Emil Eifrem。歡迎你的到來。

Emil：很高興來到這里。

主持人：這一刻我期待已久。你是第一屆世界博覽會（World's Fair）上最受歡迎的演講嘉賓之一。去年我們又和你的團(tuán)隊(duì)一起辦了完整的 GraphRAG 專場，今年我們再次聚焦這個話題。如今，你會如何向大家介紹 Neo4j？

Emil：這取決于聽眾是誰。我想我們最廣為人知的身份是一個數(shù)據(jù)庫，確切地說，是圖數(shù)據(jù)庫。但時至今日，它已經(jīng)演變成一個遠(yuǎn)超數(shù)據(jù)庫范疇的廣闊平臺。

我通常會這樣開場：我們將數(shù)據(jù)煉成知識。這是一個實(shí)現(xiàn)該愿景的平臺。

當(dāng)然，這自然會引出一個問題：你說的“知識”到底指什么？畢竟這是一個定義模糊的詞。

我會解釋說，知識的本質(zhì)是從噪音中提取信號，并以一種“知識高密度”的方式呈現(xiàn)出來，而“圖”正是其中一種絕佳形式。毋庸置疑，其核心依然是數(shù)據(jù)庫，但如今這個平臺已經(jīng)包羅萬象了。

主持人：你們已經(jīng)深耕這個領(lǐng)域有一陣子了?，F(xiàn)在幾乎所有人都在用你們的產(chǎn)品，甚至包括倫敦交通局。這挺有意思的，因?yàn)檫@本身就非?！皥D”——等你親自去那里就會發(fā)現(xiàn)，倫敦的地鐵網(wǎng)絡(luò)就是一個天然的圖結(jié)構(gòu)。

Emil：哈哈，那當(dāng)然。不過話說回來，這取決于你的“圖式思維”有多深——在圖的視角下，萬物皆是圖。

主持人：確實(shí)如此，我自己也曾在這個“兔子洞”里沉迷過。十年前我剛開始學(xué)編程時，參加了一個編程訓(xùn)練營。后來在某個大會的工作坊上，我第一次接觸到了 Cypher 查詢語言和 Neo4j。我想很多人的 Neo4j 啟蒙也是如此。今天我們想聊聊，自那以后發(fā)生了什么？廣義上的“圖智能”究竟是什么？你們后來又構(gòu)建了怎樣的一套生態(tài)系統(tǒng)？

Emil：我們先來談?wù)劚澈蟮摹盀槭裁础薄Ｈ绻麖?AI 工程師的視角來看，你剛才提到了 GraphRAG 這個詞，現(xiàn)在人們很喜歡用它來描述檢索過程——也就是在 R（檢索）這個環(huán)節(jié)中引入知識圖譜。這樣做有很多理由。我從用戶那里聽到最多的呼聲是：它能帶來更高的準(zhǔn)確率，因?yàn)槟銚碛辛藰O其豐富的數(shù)據(jù)表征。其次，出乎很多人意料的是，它還能顯著提升開發(fā)者的生產(chǎn)力。

這里有一個潛在的前提，那就是你得先有一個“圖”，我們待會兒可以細(xì)聊這個。但當(dāng)你擁有了圖，并把它與向量空間進(jìn)行對比時，你會發(fā)現(xiàn)向量空間非常像一個黑盒。如果你搜索并找到了排名前 K 的文檔，你根本不知道為什么是它們。系統(tǒng)只會告訴你，在某個余弦或歐幾里得空間里，它們的相似度是 0.7。相比之下，圖結(jié)構(gòu)是極其明晰的，你甚至可以直觀地審視它。比如，我有一個蘋果和一個橘子，它們之所以關(guān)聯(lián)，是因?yàn)樗鼈兌紝儆凇八薄５跉W幾里得空間里，一個蘋果和一個網(wǎng)球的相似度可能也是 0.7，僅僅因?yàn)樗鼈兌际菆A的，或者都是綠色的。你無從知曉原因。這就是第二個優(yōu)勢。

然后，我們聽到的第三個強(qiáng)烈訴求是關(guān)于可解釋性。人們非?？粗匾稽c(diǎn)：與不透明的向量空間相比，他們現(xiàn)在可以真正去審查，系統(tǒng)究竟為什么選出了這 K 篇文檔。

主持人：我好像沒聽到你提查詢速度，我猜這應(yīng)該也是優(yōu)勢之一吧。但我思考圖數(shù)據(jù)庫時總覺得，人們之所以想用它，是因?yàn)槟憧梢皂樦鴪D去游走、去遍歷，這大概比做一堆傳統(tǒng)查詢和表連接（Joins）要高效得多。這是不是一種比較老派的理解方式？還是說，這其實(shí)就是把你剛才的話換了種說法？

Emil：我認(rèn)為速度的優(yōu)勢其實(shí)已經(jīng)內(nèi)化到“準(zhǔn)確率”里了。因?yàn)楹芏鄷r候，正是得益于極快的處理速度，你才能在極短的時間內(nèi)覆蓋廣闊的范圍，遍歷并觸及海量的文檔或節(jié)點(diǎn)。你這個觀察很有意思，雖然我們現(xiàn)在確實(shí)很少聽到客戶把它拿出來單說。從 AI 工程師的角度，或者在 AI 相關(guān)的應(yīng)用場景中，大家可能已經(jīng)習(xí)慣了大模型本身就會吃掉大量的延遲時間，所以“查詢速度快”反而很少成為首要關(guān)注點(diǎn)。但正是因?yàn)樗俣瓤?，我們才有可能?shí)現(xiàn)更高的準(zhǔn)確率。所以我認(rèn)為它們是息息相關(guān)的。

主持人：也就是說，只要你有速度優(yōu)勢，你完全可以多花一點(diǎn)時間去換取更高的準(zhǔn)確率。

Emil：沒錯。

Neo4j 的破局與向量數(shù)據(jù)庫的余輝

主持人：酷。那么接下來，我覺得大家經(jīng)常會問的一個問題是：作為一位保持中立的數(shù)據(jù)庫 CEO，你認(rèn)為向量數(shù)據(jù)庫怎么了？為什么它沒能成為一個……我該怎么形容呢，持久的、或者說獨(dú)立的品類？現(xiàn)在每家數(shù)據(jù)庫都有向量索引功能了，我想說“作為獨(dú)立品類的向量數(shù)據(jù)庫已經(jīng)終結(jié)”應(yīng)該不算過分吧？

Emil：我不知道，這說法可能有點(diǎn)夸張了。幾年前我就公開表示過，我不認(rèn)為它會是一個長青的數(shù)據(jù)庫品類。至少不能作為一個純粹的“數(shù)據(jù)庫”品類存在，它給人的感覺更像是“搜索”。這是我?guī)啄昵暗恼摂唷?/p>

不過讓我驚訝的是，目前似乎還存在某種長尾效應(yīng)——我們依然看到很多早期的實(shí)驗(yàn)項(xiàng)目在嘗試使用向量數(shù)據(jù)庫。而且在極其高端的需求場景下，某些專用向量數(shù)據(jù)庫的表現(xiàn)，依然優(yōu)于其他數(shù)據(jù)庫自帶的向量搜索功能。

你剛才說我是中立方，其實(shí)我在這件事上并不中立，因?yàn)?Neo4j 也內(nèi)置了向量搜索功能。坦白說，它目前還比不上那些專用的向量數(shù)據(jù)庫。但隨著每個季度、每一年的迭代，這條及格線在不斷提高。因此，留給專用向量數(shù)據(jù)庫的生存空間越來越少了。幾周前你們采訪了 Turbopuffer 公司，我記得他把自己的產(chǎn)品描述為一個搜索平臺，或者說搜索工具。我認(rèn)為這正是那些曾經(jīng)自稱為向量數(shù)據(jù)庫的公司目前的轉(zhuǎn)型方向。

隨著所有人都把向量搜索作為標(biāo)配功能加入自己的產(chǎn)品，“夠用就好”的水平已經(jīng)足以應(yīng)對絕大多數(shù)場景了，這進(jìn)一步擠壓了它們的生存空間。

主持人：我也覺得是這樣。我認(rèn)為大家在做宣傳時，都應(yīng)該誠實(shí)地說明：到底在多大的數(shù)據(jù)規(guī)模、多高的數(shù)據(jù)復(fù)雜度和基數(shù)下，你們的產(chǎn)品才是真正卓越的？在哪些場景下，由于你們特殊的架構(gòu)設(shè)計(jì)，你們的解決方案能把競爭對手遠(yuǎn)遠(yuǎn)甩在身后？如果在小規(guī)模數(shù)據(jù)下，誰會在乎呢？隨便用什么工具都能跑通。但一旦達(dá)到規(guī)?；?，這些差異就變得至關(guān)重要了。

Emil：我同意。對我們來說，向量搜索是這樣融入體系的：你有一個 RAG 語料庫，并且有一套數(shù)據(jù)管道，將這些數(shù)據(jù)處理成可查詢的狀態(tài)，最終喂給大模型。我們會利用這套攝取管道和向量搜索索引中的嵌入（embeddings），來填充我們的圖數(shù)據(jù)庫。然后在查詢時，我們通常會用向量搜索來找到圖中的“起始節(jié)點(diǎn)”，接著從那里開始進(jìn)行圖遍歷。

舉個經(jīng)典的客服場景：Swyx 剛買了一臺新筆記本，發(fā)現(xiàn)權(quán)限設(shè)置有問題，于是你去蘋果的售后網(wǎng)站輸入了你的疑問。面對這段自然語言，系統(tǒng)通常會先跑一次向量搜索，往往還會結(jié)合類似 BM25 的關(guān)鍵詞搜索。這步操作可能會撈出，比如說 100 篇文檔。

接著，你從這些文檔節(jié)點(diǎn)出發(fā)進(jìn)行圖遍歷，去獲取完整的上下文。

最后系統(tǒng)會進(jìn)行綜合判斷：它不僅僅看這些文檔是否被向量搜索命中，還會發(fā)現(xiàn)“原來這些文檔是某位高權(quán)重作者寫的”——這個權(quán)重可能是通過 PageRank 算法算出來的，也可能只是簡單的星級評分或類似信號，綜合這些因素，你最終得到了最精準(zhǔn)的前 K 篇文檔。所以，這從來不是“圖搜索”與“向量搜索”的二選一，而是向量搜索與圖遍歷的珠聯(lián)璧合。這是我們目前看到的最典型的模式。

主持人：而且這里的工程實(shí)現(xiàn)其實(shí)極其困難，因?yàn)槟惚仨氃跓o數(shù)的利弊中做權(quán)衡、權(quán)衡、再權(quán)衡。如果你有無限的預(yù)算，當(dāng)然無所不能，但現(xiàn)實(shí)并非如此。所以拋開 Neo4j 不談，我認(rèn)為業(yè)界有一個大趨勢：大家都在試圖從數(shù)據(jù)攝取管道中榨取更多的信號，以優(yōu)化后續(xù)的查詢……你可以稱之為預(yù)處理，總而言之，就是在把數(shù)據(jù)丟進(jìn)向量搜索之前，盡可能多地提取出有價(jià)值的信號。

Emil：在向量數(shù)據(jù)庫的語境里，你們通常把這叫作“元數(shù)據(jù)”，但它的本質(zhì)其實(shí)就是結(jié)構(gòu)化數(shù)據(jù)。我們也是這股大趨勢的一部分。你可以把“圖”視為一種極其豐富的結(jié)構(gòu)化數(shù)據(jù)。我認(rèn)為這才是正確的認(rèn)知方式。你在上游下的功夫越深，在運(yùn)行時或查詢時的負(fù)擔(dān)就越輕。

欺詐、身份與實(shí)時上下文

主持人：讓我們聊聊應(yīng)用場景吧。我覺得去年最讓人驚喜的案例之一就是輝瑞（Pfizer）的演講，那真的很酷。你們有如此龐大的客戶群，在那些走在 AI 前沿的客戶中，有哪些是大家萬萬想不到會使用圖數(shù)據(jù)庫，或者用 Neo4j 來做某些事情的？

Emil：這里面可聊的太多了。

其中一個巨大的跨越是，人們現(xiàn)在已經(jīng)真正將它投入生產(chǎn)環(huán)境了。兩年前一切還處于非常早期的階段。你提到了輝瑞。我們看到圖數(shù)據(jù)庫在生命科學(xué)領(lǐng)域得到了廣泛應(yīng)用。廣義上講，這就是這些大型生命科學(xué)公司的研究員們每天都在使用的“科學(xué)智能”。它不僅能接入內(nèi)部的同行研究，還能檢索專利、外部發(fā)表的學(xué)術(shù)論文等等。這是我們公開的案例之一：超過 6000 萬份文檔，數(shù)十億個節(jié)點(diǎn)和關(guān)系。他們使用了大量精巧的命名實(shí)體識別（NER）和實(shí)體解析技術(shù)。順便說一句，實(shí)體解析在目前的 AI 工程界嚴(yán)重被低估和忽視了，我完全不理解為什么會這樣，但這正是他們從海量數(shù)據(jù)中理出頭緒的關(guān)鍵。你想想，一家生命科學(xué)公司可是博士扎堆的地方。這套系統(tǒng)絕對是他們提升生產(chǎn)力和科研產(chǎn)出的核心命脈。這就是一個典型例子。

就在 2026 年，我們在銀行業(yè)迎來了爆發(fā)式的增長。舉個例子，今年到目前為止，我們關(guān)于 AI 的業(yè)務(wù)洽談中，有 30% 都是和全球性銀行進(jìn)行的，這非常驚人。其中一個案例（我不知道我們官網(wǎng)上有沒有放），是一家巨型抵押貸款公司。他們雇傭了大量的銀行業(yè)務(wù)員，他們管這些人叫“Agent”，這在現(xiàn)在的語境下很容易讓人誤解，但他們確實(shí)是活生生的人類。這些人類業(yè)務(wù)員大多是二十出頭的年輕人，人員流失率極高，平均任期不到一年。

因此，這場游戲的核心挑戰(zhàn)就是如何讓他們快速上手。當(dāng)他們向客戶推銷時，你如何能讓業(yè)績墊底的四分之一員工迅速提升水平？于是，他們構(gòu)建了一個龐大的系統(tǒng)，審視了過往所有成功的銷售路徑，分析了過去真正促成轉(zhuǎn)化的因素，并將這些經(jīng)驗(yàn)匯總起來。他們其實(shí)在公開場合分享過這個案例，雖然沒提 Neo4j 的名字，但他們明確表示這套系統(tǒng)讓轉(zhuǎn)化率提升了 20%。這些都是最近發(fā)生的事。

主持人：如果把這 20% 換算成真金白銀，那是多大一筆錢?。?/p>

Emil：我不知道具體數(shù)字，但肯定比他們付給我們的軟件費(fèi)多得多！不過真正酷的是，今年他們開始將這個流程自動化了。以前，系統(tǒng)只是給業(yè)務(wù)員提供話術(shù)草稿，再由人工發(fā)送短信或郵件?，F(xiàn)在，他們自然而然地把“人”從這個閉環(huán)中移除了，系統(tǒng)直接自動發(fā)送?？吹饺藗?nèi)绱搜杆俚貙⑦@些技術(shù)投入到直面客戶的生產(chǎn)環(huán)境中，真的非常震撼。去年夏天我們盤點(diǎn)客戶案例時，幾乎還沒有人敢把這些技術(shù)用在直面客戶的生產(chǎn)線上。但在過去的三個月里，風(fēng)向發(fā)生了極其劇烈的轉(zhuǎn)變。

主持人：你提到“過去的三個月”，這剛好印證了我一直在研究的一個猜想。2025 年 12 月肯定發(fā)生了一些事，當(dāng)時隨著 Claude Opus 4.5 等模型的發(fā)布，許多數(shù)據(jù)曲線都出現(xiàn)了拐點(diǎn)。你們也觀察到這個現(xiàn)象了嗎？

Emil：我們確實(shí)看到了。不過我不太相信這僅僅是因?yàn)?Opus 4.5 的發(fā)布，感覺這背后還有別的推手。

主持人：當(dāng)然還有 GPT。但無論是在哪種數(shù)據(jù)庫里，每一張圖表的走勢都驚人的一致……顯然，我能看到很多全行業(yè)的數(shù)據(jù)和統(tǒng)計(jì)。作為大約 30 家公司的天使投資人，加上我通過 Cognition（AI 編程公司）看到的內(nèi)部數(shù)據(jù)，每一張算力消耗圖表都在飆升，每一張數(shù)據(jù)庫使用圖表都在飆升，所有 AI 編程代理的圖表也都在飆升。絕對有大事在發(fā)生。

Emil：確實(shí)有大事發(fā)生。對我們而言，我不確定這是否純粹是模型質(zhì)量提升帶來的，但我們確實(shí)感受到了這股浪潮。一個重大的轉(zhuǎn)變就像我剛才說的：過去人們的訴求是“幫我起草信息”，現(xiàn)在變成了“替我發(fā)送信息”。這種直面客戶的完全自動化，顯然在“信任度”上達(dá)到了某種臨界點(diǎn)，所以企業(yè)才敢放手去做。

還有一個例子，如果說剛才聊的是企業(yè)宏觀層面的動向，那我們現(xiàn)在把視角切到微觀層面，看看單個開發(fā)者、單個應(yīng)用是怎么做的——這也是我兩年前那場 GraphRAG 演講所探討的邊界。

你可以想想人們現(xiàn)在是如何編寫基于圖的 Agent 應(yīng)用的。圖數(shù)據(jù)庫是一個工具，向量數(shù)據(jù)庫可能也是一個工具。然后系統(tǒng)接收到一段英文，或者說一段自然語言。過去業(yè)界的最佳實(shí)踐是：把你最常收到的高頻問題提取出來。再拿客服系統(tǒng)舉例（這是最直觀的，當(dāng)然還有很多其他場景），比如 Swyx 去蘋果官網(wǎng)提問。開發(fā)者會把這些高頻問題直接封裝成 Cypher 查詢語言的函數(shù)或工具。只有當(dāng)這些預(yù)設(shè)工具失效時，才會把通用的“自然語言轉(zhuǎn) Cypher”作為兜底方案。

客戶以前通常是怎么干的呢？他們會坐下來，死死盯著那些觸發(fā)了兜底方案的日志。找出那些沒能成功解析的查詢，然后把它們單獨(dú)抽離出來，寫成一個新的函數(shù)或工具調(diào)用。這曾經(jīng)是大家的常規(guī)操作。大約一年前，你在其他數(shù)據(jù)庫和 Agent 應(yīng)用里也能看到類似的打法。但在過去的三個到六個月里，游戲規(guī)則被顛覆了。過去是“優(yōu)先使用專用函數(shù)，通用大模型兜底”，現(xiàn)在完全反過來了?，F(xiàn)在的做法是：直接用通用的自然語言轉(zhuǎn) Cypher 開局，只有當(dāng)它搞不定時，你才把那些邊緣場景提取出來寫成專用函數(shù)。我認(rèn)為在整個技術(shù)棧上下，發(fā)生了一系列質(zhì)變，促成了這三到六個月以來的大反轉(zhuǎn)。

主持人：因?yàn)楝F(xiàn)在大模型基本上可以一次性（single-shot）搞定大部分查詢了。

Emil：沒錯。

主持人：這讓我想起了我經(jīng)常聊的一個關(guān)于“大模型編程”的話題。當(dāng)年我參加完那個 Cypher 工作坊后，就再也沒怎么用過它，最大的原因在于它是一門領(lǐng)域特定語言（DSL）。

我當(dāng)時就想：我真的有必要再去學(xué)一門 DSL 嗎？但現(xiàn)在看來，DSL 的存在是有充分理由的：它們?yōu)樘囟▓鼍白龅搅藰O致優(yōu)化，語法極其精煉，而且能精準(zhǔn)地處理各種復(fù)雜邏輯。唯一的缺點(diǎn)就是學(xué)習(xí)成本高。但現(xiàn)在，你根本不需要親自去學(xué)了。你們的 Cypher 恰好是一門擁有海量訓(xùn)練數(shù)據(jù)的 DSL。所以你們成功跨過了那道門檻——你們在這個行業(yè)扎根足夠久，熬過了周期的起伏，積累了足夠的數(shù)據(jù)，現(xiàn)在人們完全可以零門檻地自由使用你們的產(chǎn)品。當(dāng)然，如果需要的話，他們依然可以手動優(yōu)化。但除此之外，大部分時候你只需要丟給大模型一次提示詞就能搞定，這體驗(yàn)簡直太棒了。

Emil：我完全同意。我再補(bǔ)充幾點(diǎn)想法。首先，我們得益于成為了一個真正的 ISO 國際標(biāo)準(zhǔn)。它在 2015 年最初名為 openCypher，在經(jīng)歷了無數(shù)次的拉鋸和繁瑣的標(biāo)準(zhǔn)制定流程后，最終演變成了 GQL，這也是 SQL 誕生以來的第一門“兄弟語言”。我認(rèn)為這為 LLM 的訓(xùn)練數(shù)據(jù)提供了一個非常強(qiáng)烈的質(zhì)量信號。這是一方面。

話雖如此，在我們內(nèi)部的產(chǎn)品矩陣中，依然運(yùn)行著許多自研的自然語言轉(zhuǎn) Cypher 工具，就像那種老派的 Copilot 輔助工具。如果你打開 Neo4j 的瀏覽器控制臺，準(zhǔn)備手敲 Cypher 查詢時，你當(dāng)然可以呼出 Copilot 幫你翻譯自然語言。你也可以在我們的架構(gòu)上運(yùn)行各種 Agent，所以我們必須把這種能力作為平臺的底層原語。實(shí)際上，我們至今仍在對這些內(nèi)部模型進(jìn)行微調(diào)，即使我們在默認(rèn)情況下調(diào)用了 Gemini 模型，我們依然會做一些針對性的微調(diào)，甚至加入一些后處理步驟。

主持人：你說的“微調(diào)”，是指你們微調(diào)了一個專門生成自然語言轉(zhuǎn) Cypher 的自定義模型，還是說你們只是在輸出端的游樂場（playground）做一些提示詞層面的調(diào)整？

Emil：不，我們是在微調(diào)一個真正的底層模型。

主持人：據(jù)我所知，外部用戶應(yīng)該是沒法直接微調(diào) Gemini 模型的吧？

Emil：這方面我們內(nèi)部可能使用的是某個開源的衍生模型。具體是哪個我也不太清楚。但隨后我們甚至?xí)右徊胶筇幚?，寫一些真正的指令式代碼，比如用正則表達(dá)式去糾正代碼里的箭頭方向。你知道的，在 Cypher 語法里，你得用不同的箭頭方向來描述關(guān)系的走向?，F(xiàn)實(shí)情況其實(shí)比想象的要雜亂一些……目前的開箱即用模型，還不足以完美應(yīng)對所有情況。我當(dāng)然希望——哪怕這像是一劑苦藥——隨著時間的推移，大模型最終能搞定 99% 的場景，但目前我們還沒到那一步。

GraphRAG 與智能體記憶

主持人：我覺得這正是專家發(fā)揮價(jià)值的地方，也是擁有一個成熟生態(tài)系統(tǒng)的意義所在。至少在當(dāng)下，這依然是人類專家的領(lǐng)地。我想把話題拉回到應(yīng)用場景，聊聊大家正在做的那些酷事。顯然，在傳統(tǒng)的推薦系統(tǒng)、欺詐檢測等領(lǐng)域，圖數(shù)據(jù)庫已經(jīng)大展拳腳了。

去年我開了一個關(guān)于“大模型推薦系統(tǒng)”的專欄，看起來大模型正在吞噬傳統(tǒng)的推薦系統(tǒng)，而且我認(rèn)為圖數(shù)據(jù)庫在其中也有非常巧妙的用武之地。據(jù)說現(xiàn)在整個 YouTube 的推薦系統(tǒng)都是基于大模型驅(qū)動的。他們把每一個視頻都轉(zhuǎn)化為 token 存進(jìn)密碼本里，然后用它來訓(xùn)練一個大模型。就像使用普通大模型一樣，系統(tǒng)會把你的歷史上下文喂進(jìn)去，讓它預(yù)測你接下來該看哪些“視頻 token”。這簡直太瘋狂了。

Emil：這確實(shí)相當(dāng)酷。我之前都不知道。

主持人：我認(rèn)識的推薦系統(tǒng)專家，比如業(yè)內(nèi)大牛 Eugene Yan，極其看好這個方向。顯然，X（推特）的新算法，以及 Pinterest 的推薦引擎，背后也是這套邏輯在驅(qū)動。這在他們的圈子里已經(jīng)火得一塌糊涂了，確實(shí)很酷。不過這種體驗(yàn)有時也挺讓人不適的。我的推薦流里確實(shí)出現(xiàn)過一些極其詭異的內(nèi)容，那是傳統(tǒng)系統(tǒng)絕對不會推給我的。但無所謂了，這是一個全新的世界，所有人都在拼命挖掘數(shù)據(jù)信號。而且我敢肯定，如果這世上有一家公司把 A/B 測試做到了極致，那絕對是 YouTube。

所以說回正題，你目前觀察到了哪些新的工作負(fù)載或應(yīng)用場景，是你特別想推薦大家去嘗試的？

Emil：現(xiàn)在行業(yè)里有大量的新奇嘗試，我非常喜歡這種氛圍。在過去的十年里，我們一直將火力集中在“全球 2000 強(qiáng)”企業(yè)上。我剛才也舉了幾個例子，比如生命科學(xué)、金融服務(wù)，這類案例我能給你講上一整天。但在過去的一兩年里，我們也開始有些“回歸初心”了。我們現(xiàn)在推出了一個初創(chuàng)企業(yè)扶持計(jì)劃。我們的云服務(wù) Aura，無論是在產(chǎn)品形態(tài)還是價(jià)格門檻上，都非常適合創(chuàng)業(yè)公司。這是個極好的轉(zhuǎn)變。

當(dāng)然，現(xiàn)在最火爆的一個場景就是“智能體記憶（Agentic Memory）”。很多人都想在圖結(jié)構(gòu)上構(gòu)建記憶系統(tǒng)。很少有人注意到一點(diǎn)：最初發(fā)布的 MCP（模型上下文協(xié)議）里，其實(shí)內(nèi)置了一個微型的內(nèi)存圖數(shù)據(jù)庫。

主持人：才 200 行代碼。我印象中也就 300 行左右的 Python 代碼吧。

Emil：是的，差不多就是那樣。所以它只是個玩具，非常簡陋，而且是純內(nèi)存實(shí)現(xiàn)的。但它的底層邏輯是圖結(jié)構(gòu)的，這就很酷了。我當(dāng)然喜聞樂見?，F(xiàn)在有很多人自然而然地開始往這個方向探索。然后當(dāng)然就是過去三個月里，圈內(nèi)熱議的“上下文圖譜（Context Graphs）”。我們看到很多人正在嘗試構(gòu)建這類系統(tǒng)，我認(rèn)為這也是圖數(shù)據(jù)庫的一個絕佳應(yīng)用場景。

主持人：好的，“記憶”完全可以單開一個大話題了。我不知道今天有沒有時間深入聊。簡單說說我的淺見：理論上，圖數(shù)據(jù)庫簡直是構(gòu)建記憶的完美載體。但在實(shí)踐中，這可能有點(diǎn)殺雞用牛刀了。大多數(shù)人的記憶根本追溯不到那么遠(yuǎn)，而且我認(rèn)為我們至今還沒摸透，那種能跨越超長時間維度的“記憶”到底該是什么結(jié)構(gòu)。弄不好一個單文件就裝得下！畢竟我個人也產(chǎn)出不了那么多 token。

但說到“上下文圖譜”，那是另一碼事。我常說：我根本不在乎你的大模型上下文窗口有多長。我們花了三年時間，才讓所有前沿模型的上下文從 10 萬突破到 100 萬。但我們不可能做到十億、萬億級的硬塞，你必須依靠上下文圖譜和上下文鏈接。你是怎么看待最近關(guān)于上下文圖譜的討論的？這個話題真的徹底出圈了。我們之前和論文作者錄過一期簡短的播客。我覺得他們其實(shí)是在“留白”，任由大家去解讀。我想接下來會有很多人去構(gòu)建上下文圖譜系統(tǒng)，我們在摸著石頭過河中自然會定義它。但作為早期觀察者，你有什么見解？

Emil：我的看法是，它補(bǔ)全了我腦海中“數(shù)據(jù)源四象限”的最后一塊拼圖。我一直強(qiáng)調(diào)，Agent 要想在生產(chǎn)環(huán)境中達(dá)到“逃逸速度”（真正爆發(fā)），必須依賴這四個象限的數(shù)據(jù)源。我認(rèn)為所需的數(shù)據(jù)源不多不少剛好四種，如果你能想出第五種或第六種，我洗耳恭聽。但我堅(jiān)信核心就是這四種。倒不是說你非得集齊四顆龍珠才能召喚神龍，但在某種程度上，自然是多多益善。

我認(rèn)為 Agent 的第一種數(shù)據(jù)源是業(yè)務(wù)數(shù)據(jù)庫。這是記錄系統(tǒng)的基石。我把它們視為“記錄當(dāng)下的系統(tǒng)”。比如：我現(xiàn)在有多少客戶？某個特定客戶當(dāng)下的價(jià)值是多少？在平時的討論中，我們有時會把架在業(yè)務(wù)數(shù)據(jù)庫之上的應(yīng)用層叫做記錄系統(tǒng)——比如我們會說 Salesforce 是記錄系統(tǒng)；有時又會把底層數(shù)據(jù)庫本身稱為記錄系統(tǒng)。但無論怎么稱呼，業(yè)務(wù)數(shù)據(jù)庫絕對占據(jù)了第一象限。

第二象限，我認(rèn)為是云數(shù)據(jù)倉庫。有人說數(shù)倉算不上記錄系統(tǒng)，我倒覺得它們也是。它們是“記錄過去的系統(tǒng)”。如果說業(yè)務(wù)數(shù)據(jù)庫記錄的是當(dāng)下，那數(shù)倉記錄的就是歷史。比如：我們在第三季度從拉美地區(qū)獲得了多少營收？諸如此類。然后，第三象限在我看來就是“記憶”。

主持人：就是 OLAP（聯(lián)機(jī)分析處理）對吧？所以前兩個是 OLTP（聯(lián)機(jī)事務(wù)處理）和 OLAP。你剛才提到了 DSL，這也是個數(shù)據(jù)領(lǐng)域的術(shù)語，領(lǐng)域特定語言。不過對，它主要是個編程術(shù)語。

Emil：然后第三象限就是智能體記憶。或者叫智能體狀態(tài)，你可以把它理解為記錄智能體狀態(tài)（比如短期狀態(tài)、長期狀態(tài)）的系統(tǒng)。

最后，第四象限就是上下文圖譜。那它到底是什么呢？它其實(shí)是在回答第一和第二象限里那些冷冰冰的數(shù)據(jù)背后的“為什么”。舉個經(jīng)典例子：我以某個價(jià)格把產(chǎn)品賣給了客戶，這個價(jià)格是在目錄價(jià)基礎(chǔ)上打了八折，但公司的紅線是最多打九折。那么“為什么”能破例呢？原因可能是：我想借此打入這個垂直行業(yè)，或者這片地域市場，而且我得到了銷售副總裁的特批——這個批準(zhǔn)可能是在電話里、Slack 上，或者是郵件里發(fā)生的。它并沒有被正式記錄在任何系統(tǒng)里。這些所謂的“決策軌跡”，最終交織成了一張網(wǎng)絡(luò)，這就是他們所說的上下文圖譜。

如果我們目前的大方向，是努力將決策權(quán)從人類的大腦轉(zhuǎn)移到 Agent 的大腦中——過去我們說這是從“濕件（人腦）”向軟件的轉(zhuǎn)移，現(xiàn)在我甚至不知道該怎么稱呼大模型了，也許是從“濕件”向“隱空間”的轉(zhuǎn)移——那么，能夠獲取這些機(jī)構(gòu)內(nèi)部的隱性知識，了解大企業(yè)里事情到底是怎么運(yùn)轉(zhuǎn)的、決策究竟是怎么做出的，就顯得極其寶貴了。這就是我說的四個象限。關(guān)于上下文圖譜我還能聊很多，但首先，你認(rèn)同這四個象限的劃分嗎？你能想到第五或者第六個嗎？

主持人：這四個里有三個我是舉雙手贊成的。但說實(shí)話，智能體記憶——我覺得它稍微有點(diǎn)站不住腳，或者說還不夠成熟，體量也偏小。

第一、第二和第四象限（業(yè)務(wù)庫、數(shù)倉、上下文圖譜）都是極其強(qiáng)大、極其龐大的品類，我閉著眼睛都知道該怎么去架構(gòu)它們。但第三個象限，感覺就只是一句含糊其辭的“某種記憶”。我覺得這背后應(yīng)該還有更深的東西。

當(dāng)我們在構(gòu)建二維四象限矩陣時，OLAP 和 OLTP 是一組完美的對立面，它們代表了查詢廣度和事務(wù)吞吐量的維度。那么另一個坐標(biāo)軸應(yīng)該與它是正交的，但我目前還看不透那個軸到底是什么。所以它并不完全契合傳統(tǒng)的四象限模型，這通常意味著，這里面可能還混入了一個我們沒有察覺的第三維度。因?yàn)樗^的智能體記憶，很可能更多是偏向個人的，最多帶點(diǎn)組織屬性；而上下文圖譜則是徹頭徹尾的組織級資產(chǎn)。這是我的直覺反應(yīng)，不過除非你還有別的想補(bǔ)充，我們大可以只聊上下文圖譜。

Emil：聽到你這么說很有意思。我認(rèn)為智能體記憶的本質(zhì)是：“我想弄清楚過去在這個特定個體身上到底發(fā)生了什么。”我相信在許多應(yīng)用場景中，它會成為一個極其重要的檢索源，盡管可能不是全部。

主持人：那讓我用自己的話來總結(jié)一下：智能體記憶，記錄的是你和 Agent 之間發(fā)生的交互；而上下文圖譜，記錄的是你和其他所有人之間發(fā)生的故事。因?yàn)槲铱吹?，現(xiàn)在所有的 Agent 公司都在拼命研究如何查詢模型自身的歷史軌跡、如何記憶知識，并以此來實(shí)現(xiàn)自我進(jìn)化，這其實(shí)跟上下文圖譜八竿子打不著。它的核心訴求純粹就是：這個 Agent 應(yīng)該越用越順手。

Emil：確實(shí)，我覺得你說的完全正確?，F(xiàn)在我們專門聊聊上下文圖譜。我認(rèn)為將企業(yè)的隱性知識以某種數(shù)字化的形式進(jìn)行編碼，是非常有戰(zhàn)略意義的。

這又回到了我們常說的那個比喻：你招了一個擁有博士智商的實(shí)習(xí)生（大模型），但他每天醒來都會失憶，對公司的過去一無所知。所以這套系統(tǒng)很有必要。

但真正的難點(diǎn)在于：你如何通過技術(shù)手段去“埋點(diǎn)”你的組織，從而獲取這些數(shù)據(jù)？我想大家都能預(yù)見到那個美好的未來：我的 Agent 已經(jīng)在生產(chǎn)線上跑起來了，就像我剛才舉的例子，我有一套智能化的流程，能自動聯(lián)系客戶并給他們提供房貸折扣。當(dāng)系統(tǒng)在做這些事時，它理應(yīng)被全程監(jiān)控記錄，將整個決策鏈路保存下來，作為未來自我進(jìn)化的養(yǎng)料。你能清晰地感覺到這種復(fù)利效應(yīng)，或者說飛輪效應(yīng)。

理想很豐滿，但我們現(xiàn)在還沒到那一步。目前，我們根本沒有這些數(shù)據(jù)的數(shù)字化載體。最典型的現(xiàn)實(shí)場景是：一個銷售員坐在車?yán)锝o老板打電話申請折扣，老板隨口答應(yīng)了，單子簽了，最后頂多在 Salesforce 里留個底。這就是當(dāng)下的常態(tài)。

那么問題來了：我們該如何冷啟動這個上下文圖譜呢？這幾乎是我近期與所有大型企業(yè)客戶和初創(chuàng)公司交流時，繞不開的核心話題。對于初創(chuàng)公司來說，上下文圖譜的冷啟動依賴于用戶對他們產(chǎn)品的使用。所以對他們而言，圖譜不是問題，問題是如何讓用戶用起來。但在大型企業(yè)的語境下——一語雙關(guān)哈——問題最終變成了：我到底該如何開始這套“埋點(diǎn)”工作，才能積攢足夠的決策軌跡，從而冷啟動整個流程？這才是真正耐人尋味的博弈。

建模、工具鏈與開發(fā)者體驗(yàn)

主持人：初創(chuàng)公司對你們來說到底有多大價(jià)值？你們手里握著財(cái)富 100 強(qiáng)里的 80 家，你們的靶心一直是全球 2000 強(qiáng)企業(yè)。至于初創(chuàng)公司，哪怕有免費(fèi)檔之類的，他們也提供不了多少真金白銀吧。

Emil：也許我可以從創(chuàng)始人兼 CEO 的雙重身份來回答這個問題。十年前，我們審視公司的營收結(jié)構(gòu)，發(fā)現(xiàn)它是三分天下的：估值十億美元以上的大客戶占三分之一，中端市場占三分之一，初創(chuàng)公司占三分之一。但我們敏銳地發(fā)現(xiàn)，那“十億美元以上”客戶群體的所有底層商業(yè)指標(biāo)，都碾壓其他兩塊。接著我們又研究了所有形成規(guī)模的數(shù)據(jù)庫巨頭——主要就是甲骨文，當(dāng)然還有 DB2——他們 80% 以上的營收都來自全球 2000 強(qiáng)。很顯然，這才是數(shù)據(jù)庫公司真正的變現(xiàn)池。我們綜合了這些信息，最后拍板決定：必須 100% 全力進(jìn)軍企業(yè)級市場。

事后證明，這是一個極其正確的商業(yè)決策。

作為 CEO 來說，我愛死這個決定了，它獲得了空前的成功，這也是我今天能坐在這里侃侃而談的原因。一切都很完美。

但作為創(chuàng)始人，我又有些失落，因?yàn)閯?chuàng)業(yè)者才是我的同路人，他們代表著未來。所以，當(dāng)新一代 AI 原生初創(chuàng)公司如雨后春筍般涌現(xiàn)時，我們意識到：將 Neo4j 嵌入他們的底層架構(gòu)，對我們來說至關(guān)重要。

這倒不是指望他們能立刻貢獻(xiàn)海量的年度經(jīng)常性收入。我從美國銀行身上賺到的錢永遠(yuǎn)會更多——這只是個泛泛的例子，沒泄露什么機(jī)密，我只能透露北美最大的 20 家銀行全都是我們的客戶，剩下的你們自己品。

總之，我永遠(yuǎn)會從企業(yè)級市場賺到大頭。但我認(rèn)為，融入這個時代的精神浪潮是極其重要的。從這個角度來看，讓下一代初創(chuàng)公司在 Neo4j 上生根發(fā)芽，具有不可估量的戰(zhàn)略意義。

主持人：按理說，初創(chuàng)公司的歷史包袱比大企業(yè)輕得多，所以應(yīng)該更容易上手。那么到目前為止，你們總結(jié)出了哪些最佳實(shí)踐？你可以挑任何一個客群來聊，說實(shí)話我對兩者都很感興趣。他們到底該如何邁出第一步？

Emil：這取決于你所處的飛行高度。如果是一家初創(chuàng)公司，那就不單單是做一個產(chǎn)品的問題了，產(chǎn)品就是公司的全部。那就是孤注一擲。

但這在大型企業(yè)的語境下是截然不同的，在企業(yè)里我們通常在兩個層面上展開合作。一個是聚焦于單一應(yīng)用、單一項(xiàng)目的微觀層面；另一個則是橫跨整個企業(yè)的宏觀層面。

我先著重聊聊后者吧，因?yàn)檫@也是自兩年前那場 GraphRAG 演講以來發(fā)生的一個巨變。我們觀察到一個非常清晰的趨勢，我們通常將其稱為“知識層”。我們接觸了許多企業(yè)，發(fā)現(xiàn)大家面臨著一個共同的痛點(diǎn)：他們內(nèi)部的每一個數(shù)據(jù)源，未來都會暴露出某種 MCP 接口。企業(yè)希望讓他們的 Agent 能夠接入這些數(shù)據(jù)。那該怎么做呢？一種簡單粗暴的做法是，直接把所有 MCP 接口的權(quán)限都扔給 Agent，讓它自己去摸索。但這會帶來一個致命問題：系統(tǒng)確實(shí)能跑通，但不同數(shù)據(jù)源里的數(shù)據(jù)是會打架的。

我們剛才提到過我們的云服務(wù)。哪怕是我自己，當(dāng)我想弄清楚我們的云服務(wù)到底有多少客戶時，我去問底層的云平臺，它告訴我，比方說有 3000 個客戶。這里的口徑是“有多少個活躍的、正在運(yùn)行數(shù)據(jù)庫的賬戶”。然后我轉(zhuǎn)頭去問財(cái)務(wù)系統(tǒng)，它卻告訴我只有 2800 個客戶，因?yàn)樗目趶绞恰敖壎诵庞每ǖ馁~戶”。你該如何理清這其中的邏輯？我們正在吸取一個教訓(xùn)：大模型永遠(yuǎn)會信誓旦旦地給你一個答案，但你根本不知道它是對是錯，而且查證起來極為困難。

所以，我們現(xiàn)在和很多大企業(yè)探討的方案是：他們需要自己掌控一個中間層，在這個層面上，將企業(yè)內(nèi)部所有數(shù)據(jù)的元數(shù)據(jù)整合起來。這才能為你提供一致性、信任度以及可解釋性。那么，他們究竟想掌控哪些元數(shù)據(jù)呢？本質(zhì)上就是整個企業(yè)的數(shù)據(jù)資產(chǎn)全景圖。你的關(guān)系型數(shù)據(jù)庫里有哪些表結(jié)構(gòu)？你的 S3 里有哪些存儲桶？等等。將這些信息以圖的形式表達(dá)出來，并與面向業(yè)務(wù)的本體論相結(jié)合。比如：什么是“客戶”？“客戶”與“供應(yīng)商”之間是什么關(guān)系？我的業(yè)務(wù)線里到底有哪些核心概念？

主持人：這太難了。你問五個人，能得出六種答案。

Emil：一針見血。這正是過去一直阻礙這項(xiàng)工程推進(jìn)的死穴。但現(xiàn)在情況變了：為了讓 Agent 在特定場景下成功落地，企業(yè)被逼著必須解決這個問題。這種倒逼機(jī)制，迫使他們在內(nèi)部達(dá)成某種“只要夠 Agent 用就行”的共識。然后第三塊拼圖就是這兩者之間的映射關(guān)系。有人管這叫語義層，有人叫上下文層。我個人偏愛“知識層”這個詞。它們指代的意思大同小異但又略有區(qū)別，這絕對是我們當(dāng)下最火爆的應(yīng)用場景。

如果你去我們官網(wǎng)，或者直接谷歌搜索“l(fā)eading media company”加上 Neo4j，你會看到一個案例。頁面往下拉，有一張漂亮的綠色架構(gòu)圖。最底層是各自為戰(zhàn)的數(shù)據(jù)孤島，中間是他們所說的“語義層”，最頂層則是運(yùn)行其上的 Agent 群。這里有幾種不同的玩法，比如你可以做零拷貝。在這種模式下，知識層只負(fù)責(zé)提供一張“尋寶圖”，告訴 Agent 到底該去哪里查數(shù)據(jù)；或者在某些情況下，我們會將部分高頻數(shù)據(jù)直接內(nèi)聯(lián)到知識層里，這樣 Agent 就能在這一層直接完成查詢。

主持人：“零拷貝”具體是指什么來著？我記得是 Salesforce 發(fā)明，或者至少是帶火了這個詞。意思是不是說，你不再需要把數(shù)據(jù)在 Snowflake 和各種系統(tǒng)之間搬來搬去，而是建立一個虛擬化層，直接把指針打到原始數(shù)據(jù)源上？

Emil：也就是外部數(shù)據(jù)封裝器（Foreign Data Wrapper）。完全正確。

主持人：你聽得出來我是個重度 Postgres 玩家。

Emil：哈哈，聽出來了。所以順著查詢鏈路，你最終會到達(dá)這個中間層，由它來弄清數(shù)據(jù)到底藏在哪里。有時候數(shù)據(jù)也會被物化到這一層，這樣你就能直接查詢了。所以，這是目前企業(yè)級市場里極其搶手的一個場景。

不過，我想你的原問題是：新手入坑的最佳實(shí)踐是什么？我們剛才聊了上下文圖譜。最近出了一個非常精妙的 Python 封裝工具，叫UVX create-context-graph，它開箱即用地為你提供了，我沒記錯的話，22 個不同行業(yè)的上下文圖譜模板。這玩意兒幾天前剛發(fā)布，它能一鍵拉起一個帶有前端界面的完整 Neo4j 實(shí)例。而且它的設(shè)計(jì)靈感——你肯定會愛死這個——毫無疑問是借鑒了create-react-app。所以你能獲得一種極其絲滑的交互體驗(yàn)……它不僅能幫你處理你自己的數(shù)據(jù)，你還可以直接從預(yù)設(shè)的行業(yè)模板里挑。

主持人：哇哦。

Emil：沒錯。而且它已經(jīng)無縫集成了八九個不同的 Agent 平臺。

主持人：唯一遺憾的是，我最想要的那一個，偏偏不在里面。

Emil：哪個？

主持人：社交媒體。

Emil：有意思，行，我們可以把它加上。

未來的“圖狀”互聯(lián)網(wǎng)

主持人：我的觀點(diǎn)是，每一個 SaaS 軟件，最終都會在其賬號認(rèn)證體系內(nèi)孕育出一個社交圖譜。你需要團(tuán)隊(duì)協(xié)作，你需要用戶互發(fā)消息，你需要推送通知。社交媒體的元素會滲透進(jìn)每一個細(xì)分領(lǐng)域。它甚至都不算是一個垂直領(lǐng)域，它就是一套基礎(chǔ)特性。

我以前其實(shí)研究過把這個做成一門生意，后來發(fā)現(xiàn)別人試過但沒跑通。但其核心訴求就是：把“社交網(wǎng)絡(luò)”作為一個插件，直接空投到我的用戶庫里。因?yàn)槲业拿恳粋€用戶，都在團(tuán)隊(duì)中工作，他們有關(guān)注關(guān)系，他們想要信息流，想要通知，想要私信，甚至想寫博客。這些全都是社交功能，他們自己絕對懶得從頭開發(fā)，但他們又實(shí)打?qū)嵉匦枰２还茉趺凑f，這個工具真的很酷。

Emil：所以這個工具的作用就是幫你掃平起步的障礙，它還能自動生成一些合成數(shù)據(jù)。它同樣集成了許多 SaaS 工具。我看到你最近對 Claude Code 的命令行工具極其興奮是吧？

主持人：誰看了不興奮啊。我之所以對 Claude Code 如此上頭，是因?yàn)槲医K于可以用它來替我操縱谷歌云（GCP）的控制臺了。我當(dāng)時的反應(yīng)是：我再也不想親手點(diǎn)那個控制臺了，那體驗(yàn)簡直反人類！

Emil：對，所以它可以幫你抓取真實(shí)數(shù)據(jù)，也能生成合成數(shù)據(jù)。它內(nèi)置了一套 Agent 記憶工具包，既包含短期記憶——也就是對話狀態(tài)之類的東西；也包含長期記憶——涵蓋了該領(lǐng)域內(nèi)的所有實(shí)體和核心概念。同時它還記錄了決策軌跡，也就是上下文圖譜。它把這些全打包在一起，還附帶了一個小巧的圖譜可視化界面。所以，這絕對是新手上路的絕佳途徑。

主持人：這個點(diǎn)子絕了。我真不敢相信之前居然沒人做過。更不敢相信這玩意兒才發(fā)布了六天。你們絕對應(yīng)該狠狠地推廣它。

Emil：你大概能猜到背后的老套劇情：那是我們辦一場關(guān)于上下文圖譜的線下聚會之前，他在某個周日下午隨手敲出來的，結(jié)果大家愛死它了。

主持人：如果看了這個項(xiàng)目我非要提一個建議的話，那就是它似乎做得“太多”了。它的邊界在哪？我的應(yīng)用的邊界又在哪？這里面塞了太多東西。光看這個 Readme 文檔，我已經(jīng)開始覺得有些信息過載了。

有時候，保持克制是非常可貴的。就像 OpenCode 的 CEO Dax 說過的那樣：看吧，在這個任何功能你都能在幾天內(nèi)憑感覺“搓”出來的時代，克制、專注和恰如其分，反而成了一種稀缺品質(zhì)。因?yàn)?，是的，你什么都能往里塞，但它真的?chuàng)造了增量價(jià)值嗎？還是僅僅在白白消耗我的注意力帶寬？我只想知道：你到底要幫我解決什么核心痛點(diǎn)？然后把那一點(diǎn)做到極致就行了。

我覺得這又回到了喬布斯的那句名言：“我是產(chǎn)品的總編輯”。而作為一名編輯，最重要的工作就是說“不”，就是大刀闊斧地做減法。

這真是一次干貨滿滿的快速巡游。顯然，在你們的圖譜世界里，還有很多值得我們?nèi)ネ诰虻膶毑?。在?jié)目的最后，拋開你官方的 CEO 身份，作為一個骨子里的黑客，你還有什么想分享的嗎？最近還有什么讓你心潮澎湃、極其興奮的事物？

Emil：怎么說呢，我們所處的這個時代，既是最讓人熱血沸騰的時代，也是最令人膽戰(zhàn)心驚的時代。我們今天完全沒聊所謂的“SaaS 末日”之類的話題，但戴上 CEO 這頂帽子，我必須對這些暗流保持警覺。

毫無疑問，我們正身處前線，目睹著企業(yè)在“買（采購 SaaS）”與“造（自己用 AI 寫）”之間的重心偏移。Klarna 就是最早的案例之一，他們嘗試了用 AI 替代外購軟件，后來又部分回調(diào)了——至少外界看到的是這樣。我不代表 Klarna 發(fā)言，但我認(rèn)為輿論對“買”和“造”兩邊的說法可能都有些夸大了。不過，這種范式的轉(zhuǎn)移是確鑿無疑的。但就我個人而言，我每年要花 20 萬美元，去買一款我恨得牙癢癢的會議管理軟件。

主持人：也許花個兩千塊錢自己搓一個喜歡的會更好。真不敢相信你們這么牛的人居然還沒把這個痛點(diǎn)解決掉。我現(xiàn)在正忙著東奔西跑、打印胸牌、算計(jì)請魔術(shù)師的預(yù)算。自己開發(fā)軟件根本排不進(jìn)我的優(yōu)先級列表。而且，我的團(tuán)隊(duì)并不像我這樣是“Agent 原生”的。作為一個 CEO，我不能一拍腦袋就決定：“好，我們?nèi)粳F(xiàn)在都要改用 AI 自己寫軟件了”，然后指望每個員工都能無縫銜接。不可能的，他們需要培訓(xùn)。

事實(shí)上，有時候那些我們用慣了的、充滿 Bug、運(yùn)行緩慢的破系統(tǒng)，反而更靠譜。這就又回到了那個問題：這些工具的真正價(jià)值是什么？很大一部分價(jià)值，在于它們固化了某些業(yè)務(wù)流程，并對這些流程給出了規(guī)范性的指導(dǎo)。要讓 AI 迭代到那一步，我們還需要時間。如果你傾注全部精力，你確實(shí)能自己用 AI 搓出來，但在那之前，你還是得乖乖給那些破工具掏錢。所以我完全理解你的處境。

Emil：所以，這是讓人感到恐懼或震驚的一面。但硬幣的另一面是，老天，現(xiàn)在我們擁有的創(chuàng)造能力太驚人了。要知道，我已經(jīng)算是“半退役”的技術(shù)人員了。我腦子里還懂那些比較并交換（CAS）的底層邏輯，但我已經(jīng)有整整十年沒當(dāng)過正兒八經(jīng)的現(xiàn)代程序員了。但現(xiàn)在，我又行了。軟件再一次變得如黏土般柔軟可塑，這簡直讓人興奮到極點(diǎn)。

主持人：但我認(rèn)為，像你我這種“半退役”的技術(shù)管理者，很容易陷入一種失敗模式：你以為 AI 無所不能，于是你憑感覺“搓”出了一坨代碼，直接甩給你的員工，指望他們能完美接盤。絕對不可能。所以，我真的想提醒一下在座的各位領(lǐng)導(dǎo)者：請尊重現(xiàn)實(shí)，不是所有東西都能靠 AI 隨便“搓”出來的。如果你非要這么干，你的員工很多時候還得跟在屁股后面給你擦屁股。

Emil：舉雙手贊成。尤其我們還是一家數(shù)據(jù)庫公司，那里面可是需要真正的工匠精神的。

主持人：但你們的測試體系做得太扎實(shí)了。數(shù)據(jù)庫的測試絕對是頂配級別的。絕大多數(shù)軟件根本享受不到這種待遇。所以其實(shí)我知道，正是因?yàn)槟銈冇腥绱藝?yán)密的測試網(wǎng)，你才敢更放肆地去用 AI “搓”代碼，因?yàn)橐磺卸加袦y試在兜底。不管怎樣，非常感謝你，Emil。這真是一場酣暢淋漓的對話。

（投稿或?qū)で髨?bào)道：zhanghy@csdn.net）