
PuppyGraph 1.0 新增 AI 图模式构建器与 MCP 支持
来源标题:PuppyGraph adds AI schema builder and MCP support to help ease enterprise agent adoption
PuppyGraph 发布 1.0 版本,新增 AI 辅助图模式构建器和 MCP 集成,帮助开发者降低 AI 代理跨多表查询企业数据的复杂度、延迟和成本。AI 构建器可自动将现有表映射为图实体、关系和属性供开发者审核,查询引擎还能依据图模式校验代理生成的查询、拒绝未定义关系以减少错误重试。
以下正文由 AI 翻译自 InfoWorld(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
PuppyGraph于周二宣布,为其面向企业数据的分布式图查询引擎新版本PuppyGraph 1.0新增AI辅助图schema构建器和MCP集成。此次更新旨在帮助开发者降低AI agent跨数千张数据库表和多个平台查询互连数据时所面临的复杂性、延迟和成本。
这家总部位于圣克拉拉的公司在一份声明中表示,AI辅助schema构建器可自动将现有表映射为图实体、关系和属性,开发者只需审核并批准生成的schema,而无需手动定义不同数据集之间的连接方式。
该公司补充说,这些schema可供部署用于查询企业数据的agent使用,为它们提供跨不同表和系统的信息连接方式的预定义映射,而无需agent自行识别相关表并动态构建复杂的SQL join,从而简化查询生成并减少错误和重试。
为提高查询准确性,PuppyGraph的查询引擎还会依据图schema校验agent生成的查询,拒绝未定义的关系,并返回反馈供agent修正错误。
此外,该公司表示,执行引擎会将复杂的图查询拆分为更小的操作,在多个计算节点上同时运行,而非在单台机器上串行执行,从而加速那些需要跨大型数据集遍历多重关系的查询。
这些新增功能建立在PuppyGraph于2024年发布的现有图查询引擎之上,该引擎让企业能够将关系型数据库、数据仓库和lakehouse作为统一图进行查询,而无需将数据移动或复制到独立的图数据库中。
该引擎将现有表映射为原生标签属性图(LPG)模型,将数据实体表示为节点、关系表示为边、属性表示为特性,然后通过其自身的分布式计算集群在底层数据源上执行图查询。
该公司表示,最新版本的引擎还支持常规SQL查询,并新增MCP集成,使企业团队能够将PuppyGraph连接到支持该协议的AI agent和工具。
该公司称,通过这些集成,受支持的agent可以在其工作流中访问PuppyGraph的图查询能力,无需开发者为每个agent构建自定义集成即可查询数据源。
减少开发者的工程投入
IDC研究总监Devin Pratt表示,对开发者而言,能够从现有表自动生成图schema,并通过MCP向兼容的AI agent开放图查询能力,可以减少将agent连接到企业数据所需的工程投入。
“开发者只需对实体和关系建模一次,之后便可用图语言查询互连数据,而不必编写和维护冗长的join链。事实上,多跳问题——比如谁通过哪些账户与谁相连——在图里比在SQL中自然得多,而且通往独立图存储的管道也不再需要了,”Pratt补充道。
据HFS Research执行研究负责人Ashish Chaturvedi称,至少对agentic工作流而言,更大的收益在于他所说的PuppyGraph的“强制本体”(enforced ontology)。
Chaturvedi表示,该引擎依据预定义本体校验agent生成的查询,拒绝引用未定义的关系,这有助于将agent约束在企业已确立的业务实体和关系范围内,进而减少agent生成无效join或沿着底层数据中不存在的关系进行查询的空间。
Chaturvedi补充说,这意味着agent因错误join而返回不可靠结果的可能性更低。
CIO的潜在成本节省
据Pratt称,同样的原则还可以帮助CIO降低agent查询的计算开销,因为它限制了agent需要处理的schema信息量以及查询生成的retry次数。
此外Pratt表示,企业可以通过避免重复存储以及维护独立图数据库所需的同步管道来降低数据管理成本和复杂性,同时将图分析保留在现有受治理的数据环境内。
Pratt补充说,PuppyGraph的方案也与企业在数据管理能力整合方面的努力相契合:“IDC研究表明,96%的组织正在积极推进此类整合,而大多数组织管理着10种以上的数据库技术。数据准备、存储和供给的高成本也是阻碍生成式和agentic AI扩展的最常被提及的障碍之一。”
权衡依然存在
不过,分析师指出,开发者和CIO在采用该查询引擎之前需要权衡若干取舍。
Moor Strategy and Insights首席分析师Michael Leone表示,首先,开发者仍需定义和维护图模型,决定哪些表应成为实体、哪些键应定义关系。
“换句话说,复杂性并未消失,只是从编写和维护冗长的SQL join转移到了设计和治理图模型上,”Leone说。
Pratt也认同,生成的查询质量还将取决于底层schema的一致性和源数据的质量。
此外,Chaturvedi提醒,性能和成本在一定程度上取决于底层数据平台:“由于PuppyGraph在数据仓库和lakehouse中查询数据,运行图密集型工作负载会增加这些系统上的计算消耗,CIO需要在扩展部署前对成本进行建模。”
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。