Graphs(图)是 AI 领域中表示实体与关系的基本数据结构,在知识图谱、时序图学习和图神经网络等方向持续演进。近期,图结构与大语言模型的结合成为值得关注的趋势:一方面图被用来组织和检索上下文,另一方面时序图、事件图等框架被用于金融预测等具体任务,图正在从独立的建模工具转变为 AI agent 系统中的基础设施组件。
Graphs 近期进展
当前焦点与观察点
近期围绕 Graphs 的讨论集中在两个方向。其一是图作为 LLM 的上下文组织方式:Harvey 的 context graphs 显示,相比纯文本的上下文堆叠,图结构能够显式表达实体关系,在法律等高复杂度领域可能带来更可靠的 agent 表现。与之相关的是大上下文窗口实际利用率的争论——业界在探索长上下文之外的结构化信息组织是否更有效。其二是图学习本身的细分演进,如时序图节点分类、事件图驱动的预测框架,这些工作表明图研究正与 LLM 融合而非独立发展。
值得观察的争议点在于:图结构能否规模化地解决 agent 长任务中的上下文遗忘与检索精度问题,目前多数证据来自垂直领域的单点验证。此外,图数据库、知识图谱与 LLM 的工程整合成本较高,实际落地效果与简单 RAG 方案的差距还需要更多公开基准来衡量。对开发者和研究者而言,PyTorchCon 等生态大会上图相关工具链的讨论热度,也是判断该方向产业成熟度的一个参考信号。