大模型正在改变企业使用数据的方式。过去，业务系统主要通过预先定义的报表、接口和查询条件访问数据；现今，越来越多的用户习惯直接用自然语言提出问题。随着问题变得愈加开放，检索系统所面对的也不再只是关键词匹配或相似内容召回。
企业中的数据往往存在复杂而明确的联系。一笔交易关联客户、账户和设备，一份合同涉及企业、项目与责任人，一次风险事件也可能沿着资金、人员和组织关系不断延伸。很多问题只有把这些关系串联起来，才能还原完整的业务背景。系统既要找到相关信息，也要继续判断这些信息与谁有关、经过哪些路径相连，以及结论背后有哪些可以核验的数据依据。
图检索能力由此进入企业 AI 的数据处理链路。它将业务对象以及对象之间的联系组织为节点、边和路径，使关系能够被直接查询和计算，为关联分析、多跳检索、路径发现和结果解释提供数据基础。
随着 AI 的不断发展，向量检索逐渐成为大模型应用连接外部知识的重要方式。它擅长从大量文本、图片以及其他非结构化内容中，找出语义上接近的对象。但在真实业务场景中，"相似"往往只是第一步。一次业务查询，可能会同时涉及业务约束、结构化数据关联、关键词匹配、语义召回和关系追踪。例如，在风险排查中，系统不仅要找到与某段风险描述相似的文档，还要继续确认相关账户、交易、设备和人员之间是否存在多跳联系；在知识问答中，系统不仅要召回包含某个概念的材料，还要辨别概念之间的上下位、依赖、引用与因果关系。
单纯依赖向量检索，仅仅可以回答"哪些内容更相似"；而图能力则将实体及其关系组织为可查询、可计算的数据结构，更适合回答"对象之间如何关联"。节点、边、标签和路径将隐含在表连接、文档叙述和业务规则中的关系显式表达出来，使检索结果能够沿着具体的业务路径被追溯和验证。在此基础上，系统可以执行模式匹配、邻接扩展、可变长度遍历、最短路径、环检测和路径计数等图查询。
对于需要多跳证据、关联分析和结果解释的 AI 应用，图能力提供了一种更加贴近企业数据特点的实现方式：关系能够被查询，路径能够被验证，结论也能够找到对应的数据依据。
近年来，GraphRAG 等技术实践进一步推动了关系检索进入工程视野。面对跨文档、跨实体和全局性问题，仅按文本块进行相似度召回，很难保留完整的关系上下文。企业将关系检索应用于实际业务时，还需要数据库提供可靠的关系存储、高效的路径遍历、持续的数据更新和完善的权限控制。
CittaBase 是四维纵横面向 AI 混合负载场景推出的一栈式融合数据库。面向 AI 的业务系统，数据访问往往贯穿一条完整链路：既要处理业务状态读写和事务操作，也要查询结构化事实、检索知识内容、追踪实体关系，并对相关数据进行分析。围绕这类需求，CittaBase 以 PostgreSQL 兼容的数据与事务底座为基础，在同一数据库实例中提供 OLTP、OLAP、Cypher 图查询、BM25 全文检索和向量检索能力。基于这一能力组合，CittaBase 可用于建设本体数据基座、企业经营操作系统数据基座和 RAG 知识库等场景，在同一数据库实例内统一承载业务状态读写、知识检索、关系查询与 OLAP 分析，减少多套系统之间的数据同步、权限维护和结果拼接。
CittaBase 原生内置图检索与图计算能力，通过统一的数据访问入口处理结构化数据和关系数据，支持模式匹配、可变长度路径、多跳遍历、最短路径、全部最短路径、关系标签组合、多标签读取、路径计数和环检测等图查询。图查询结果还可以继续参与 SQL 过滤、连接与聚合，让关系路径和业务属性在一次查询中共同参与计算。
围绕图查询的执行效率，CittaBase 对多类典型查询进行了针对性优化。对于有界可变长度路径、路径计数、固定端点和部分最短路径查询，系统可以采用计划改写、索引访问和专用执行路径，减少无效遍历及完整路径物化。CittaBase 还提供图计算加速能力，通过可达性判断提前剪除无效分支，并加速部分路径计算与图算法。
此外，企业图数据通常还包含大量属性，并与明细表、时间序列、文档、日志和向量特征共同使用。CittaBase 的向量化执行引擎通过批量化处理和算子优化，可以显著提高数据扫描、过滤、连接、聚合及复杂分析查询的整体执行效率，为图数据的属性计算、候选集筛选和后续分析提供高吞吐的执行基础。
图查询的性能表现与查询形态密切相关，单一场景很难反映图引擎的整体能力。为了覆盖更具代表性的查询类型，此次测试采用 GraphBench 的 B 类基础场景和 C 类复杂场景，共 38 条查询，涵盖主键点查、属性过滤、邻接扩展、多跳遍历、最短路径、环检测和路径计数等典型负载。
测试按照固定顺序执行，每条查询运行 3 次，对比 Neo4j 与 CittaBase 的冷态执行时间。结合总耗时、单项结果和不同查询类型的表现，可以观察 CittaBase 图引擎在不同负载下的执行特点。
具体测试结果明细如下：
测试口径：B 类基础场景 20 条、C 类复杂场景 18 条，共 38 条；先执行 base.sql，再执行 complex.sql。比值为 CittaBase cold ÷ Neo4j cold，数值越低表示本轮耗时越短。测试口径：B 类基础场景 20 条、C 类复杂场景 18 条，共 38 条；先执行 base.sql，再执行 complex.sql。比值为 CittaBase cold ÷ Neo4j cold，数值越低表示本轮耗时越短。
从总耗时看，CittaBase 为 129.205 秒，Neo4j 为 1023.328 秒，前者约为后者的 13%。这项总成绩受到 C18 的显著影响：在"有向 7-hop 原始路径计数"中，Neo4j 单条耗时 872.679 秒，CittaBase 为 0.374 秒。剔除 C18 后，剩余 37 条查询分别为 150.649 秒和 128.831 秒，两者处于接近量级，CittaBase 在本轮 workload 下仍略快。
从查询类型看，CittaBase 在高选择性点查、固定起点或终点的邻接计数、时间范围过滤、部分文本过滤、最短路径、有限深度路径枚举和若干复杂图模式上表现较好；在全图节点与边计数、低选择性 IN 过滤、标签聚合以及 7-hop endpoint 逐层去重等场景中，仍有进一步优化空间。
38 条查询覆盖了从主键点查、局部关系扩展到复杂路径计算的多类负载。测试结果显示，CittaBase 原生图引擎已经具备较完整的查询覆盖能力；在部分深路径计数场景中，矩阵剪枝和计数快速路径明显减少了无效遍历与路径物化，性能提升较为明显。
自然语言正在成为新的数据访问入口，企业查询也开始同时涉及结构化条件、文本内容和实体关系。图能力可以把分散在表关联、业务规则和文档描述中的联系组织起来，让系统直接查询关联对象、追踪业务路径，并为查询结果提供可以核验的数据依据。
围绕这类需求，CittaBase 将 OLTP、OLAP、原生图查询、图计算加速、BM25 全文检索、向量检索和向量化执行整合在同一数据库实例中。企业可以在一套数据与权限体系内完成候选召回、关系扩展和结果分析，帮助企业减少跨系统的数据同步与结果拼接，更高效地完成关系检索和混合分析。
推荐阅读
