BigQuery Graph 正式 GA：Agent 更需要可追溯的关系上下文

BigQuery Graph 正式 GA：Agent 更需要可追溯的关系上下文

Google Cloud 在 9 月 1 日宣布 BigQuery Graph 正式 GA。它把属性图和 ISO 标准 GQL 放进数据仓库，让团队在既有表上查询“账户经过哪些节点关联”“某个订单背后是哪家供应商”“一次 Agent 决策用了什么规则”，不必先把数据抽到独立图数据库。官方同时把 MCP、Agent skill、自然语言查询和可审计的 context graph 接到了这套图能力上。

这条更新容易被包装成又一个 GraphRAG 产品，实际影响更具体。向量检索擅长找到语义相近的文档，关系查询擅长沿着明确的边走多跳路径。客服 Agent 可以用向量检索找出退货政策，却很难仅凭相似度可靠回答“这位客户购买的商品由哪家供应商生产、当前批次是否在召回范围”。当答案依赖订单、商品、供应商和事件之间的确定关系时，图查询更接近业务事实。

图上下文补的是结构，不靠放大提示词

BigQuery Graph 的核心变化，是让节点与边留在现有仓库治理范围内。GQL 可以和 SQL 并存，查询继续受行级、列级权限约束，也能调用 BigQuery ML 与 AI 函数。官方称 GA 后无向遍历相较预览快 100 倍、GQL 在公开基准上快 2 倍；这些数字描述特定查询优化，不能直接换算成完整 Agent 的响应提速，因为模型推理、工具调度和跨云访问仍会占用时间。

结构化关系也不会自动变准确。如果同一供应商在三个系统里用了不同编号，图只会把错误身份解析变成更快的错误遍历。建图前应统计主键匹配率、孤立节点、重复边和时间有效期；高风险场景还要把路径和原始记录一并返回，让人或独立模型检查证据。官方即将推出的建图 Agent 会显示关系匹配率，这个设计本身就说明“能连上”与“应该连上”是两回事。

MCP 让图查询成为工具，权限也随之放大

BigQuery Graph 可以通过 MCP server 连接 Gemini Enterprise，Google 的 Data Agent Kit 扩展也计划让 Claude Code、Codex、VS Code 与 Antigravity 使用图查询技能。对开发团队来说，接入方式变简单了：Agent 不必知道数据物理分布，只需调用一个描述清楚的工具。但工具一旦能跨表和跨云遍历，单次请求可能触达比传统搜索更广的数据范围。

安全设计应从工具参数开始。给 Agent 暴露“查询所有关系”的自由 GQL，风险高于提供几个限定用途的命名查询。生产环境可以把常见路径封装成只读函数，限制起点类型、最大跳数、返回字段与执行时长；个人身份信息在进入模型前脱敏，工具日志记录调用者、模型、查询模板和结果规模。统一模型网关则负责把模型调用与图工具审计串在一起，出现异常成本或越权路径时才能还原完整链路。

什么时候用 GraphRAG，什么时候继续用普通检索

如果问题主要是“哪份文档谈到了这个概念”，向量检索成本更低；如果依赖稳定实体、多跳关系、路径解释或欺诈网络，图查询更合适。多数企业场景会组合两者：先从文档提取候选实体和证据，再通过图验证关系，最后由模型组织回答。不要为了追逐 Agent 热点，把缺少明确关系的知识库强行改造成图。

模型层同样应保持可替换。图提供事实，模型负责规划工具和表达结果，两者通过稳定契约连接。使用 [OpenAI 兼容 API](/) 或统一模型入口时，可以在不重建数据图的情况下比较 Gemini、Claude、GPT、GLM 等模型对 GQL 工具调用的成功率、延迟和成本。BigQuery Graph 的意义不在于让提示词装下更多资料，而在于给 Agent 一条能复查、能限权、也能换模型的事实路径。

来源：[Google Cloud：BigQuery Graph 正式 GA](https://cloud.google.com/blog/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale/)