Graph（图）在人工智能语境中，指的是用节点和边表示实体及其关系的结构化数据形态，当前主要活跃在智能体记忆、工具编排与可观测性等方向。随着大模型智能体从单轮对话走向多步、多工具协作，如何用图结构组织知识、调用链和系统依赖，成为工程与研究两边都绕不开的问题，但「图是否真的带来增益」也开始受到实证检验。
Graph 近期进展
当前焦点与观察点
目前围绕 Graph 的讨论呈现「热用与冷思考并存」的格局。一方面，图结构被广泛嵌入智能体基础设施：攻击链推理、故障根因定位、技能编排都把图当作组织复杂关系的天然载体，这与 Uber 公开其内部 MCP 与 Agent 工程实践的背景相呼应——大规模智能体系统确实需要超越线性上下文的结构化组织方式。另一方面，近期研究开始追问这些设计的必要性，例如工具图记忆在多轮调用中的实际效果受到质疑，说明图方案的收益需要更严格的评测来验证。
观察点上，一是图记忆、图编排类方案在真实生产环境中的性价比；二是图数据库（如 Neo4j）与向量数据库在智能体架构中的分工是否会进一步分化；三是 Graph Metanetworks 将权重空间学习扩展到 Transformer 语言模型这类工作，可能把「图」从数据结构层面推向模型结构层面。对工程团队而言，图值得作为候选架构保留，但应先通过消融实验确认其对目标任务的净增益。