读 一个 Vibe coding 时代的暴论 有感

图数据库（Graph Database）

今天认真思考了秦始皇的这篇文章. 我越想越觉得,这才是下一个被严重低估的东西

先说现在的问题

我们现在存数据的方式,本质上还是在用关系型数据库的世界观：万物皆表,关系靠 JOIN.

比如说"A 知道 B,B 又在 C 公司工作,C 公司又在和 D 公司有合作,D 公司的 CEO 曾经又是投资过 A 的竞争对手"这种

五张表(如果参考八大范式来做的话),四个 JOIN,写出来的 SQL 不说长不长, 但是一定很难被抽象出来.

关系型的设计哲学是为了存储数据,而不是为了理解.这在 AI 时代,这虽然不是缺陷 (因为我们还是继续要用), 但是或许我们对于 AI 有更好的选择?

为什么是图数据库?

图数据库(拿 Neo4J 来说)的核心不是"节点",是边（Edge）

这个区别听起来很小,但是在数据库的设计哲学上差了一个量级：

• 关系型数据库：数据是一等公民,关系是附属


• 图数据库：关系本身就是一等公民

而且更关键的是,图数据库里的边不是用于索引的外键,它可以带属性——

比如说: A 在 2019 年 以 导师 的身份认识了 B,关系强度 0.87,B 多次挂二作

边不是一个指针,它是一段故事

现在有两件事同时在发生：

第一,LLM 需要结构化的语义基底

现在大家让 AI 做 RAG,往里面塞 chunk,塞向量,本质上还是在喂"文本碎片".但文本碎片是扁平的,它没有告诉 AI 这些碎片之间的关系是什么.

假如说底层是图数据库,AI 不只是在检索相似的文字,它在遍历一张有意义的关系网

推理质量会是两个维度的东西.

第二,Vibe Coding 降低了图数据库的使用门槛

图数据库过去难用,一半原因是查询语言（Cypher、Gremlin）门槛高,另一半是生态不成熟.

Rust 也不是起来了

Rust 在这里能做什么

叠个甲,Python 和 Rust 是我最常使用的语言 , 我很喜欢他们的设计

同样的图遍历逻辑,Python 纯实现和 Rust 实现之间的差距不是"快一点",是量级上的差异——有时候是 10x,有时候是 50x,跑大图的时候甚至更夸张

Python 里能跑通的图,放到生产规模就是另一回事

图数据库的核心操作是图遍历——最短路径、子图匹配、社区发现. 这些都是计算密集型任务,而且天然适合并行, Rust 的无畏并发（fearless concurrency）我不是尬吹,是真好用

起个FastAPI , 让 Rust 去扛计算,wc 天作之合.

我真正想说的

把以上所有东西拼在一起,我脑子里有一个画面：

未来的 AI Agent,它的记忆不是一个向量数据库,而是一张图

每一次对话,每一个决策,每一个学到的事实,都作为节点和边写进去.边上有时间戳,有置信度,有来源,有情境

当 Agent 需要推理的时候,它不是在做语义检索,它是在做图上的推理——沿着关系走,发现隐含的路径,推断出没有被明确告诉它的结论

这才是 AI 应该有的记忆方式 : 扁平的、无关系的向量堆砌,说白了是一种将就

或许?

图数据库 + Rust + LLM,会是下一个被重新发现的组合

横看成岭侧成峰,远近高低各不同.

不识庐山真面目,只缘身在此山中.