FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

技能指南 · 指南

反欺诈查询要连环 JOIN 时,数据就是一张图

AWS 也承认,图数据库只在高度关联的数据上见效,信号藏在客户的提问方式里。

分享微博

要点速览

  • 当问题需要沿关系跨越多跳时,图数据库才物有所值;简单的表格数据仍然更适合关系型数据库。
  • Neo4j 以 Cypher 为核心;Neptune 支持 Gremlin、openCypher 和 SPARQL,采用一个写入实例加最多 15 个只读副本。
  • GraphRAG 针对的是覆盖整个文档集合的问题,这正是传统 RAG 的短板。
信息图对比同一个欺诈团伙查询的两种写法。左侧是 Postgres 上的 SQL:JOIN 代码块从第 1 层增加到第 3 层,每加一层就要重写一次。右侧是 Neo4j 上的 Cypher:一个被标记的账户经由银行卡、IP 和邮箱连到三层以内的其他账户,只用一个 [:USES*2..6] 表达式。
在 SQL 中,每多一层关系,JOIN 数量就成倍增加。在 Cypher 中,每个“共用”关系是两条边,所以 *2..6 表示最多向外延伸三层,调整深度只需改一个数字。

你入职一家金融科技公司的第二周。风控团队交给你三张表:账户、支付卡和登录 IP 地址。他们的问题听上去很简单:“哪些账户与已确认的欺诈账户共用同一张卡、同一个邮箱或同一个 IP,包括隔两三层的间接关联?”

你打开 Postgres,写出第一个查询,接着写出长了一倍的第二个。到第三层时,查询已经堆满了 JOIN,跑得很慢,会议室里也没人敢确定它是对的。

前线部署工程师(FDE)需要尽早识别出这个时刻:客户的数据不是一组表,而是一张网络。识别得早,第一周就能选对工具,不必到第二个月再重写整条数据管道。

数据什么时候才真正是网络?

AWS 对图数据库的定义是:把数据存储为实体及其相互关系所构成网络的数据库。在同一份文档里,AWS 也明确指出,专用图数据库在高度关联的数据集上价值最大,而简单的表格数据更适合关系型数据库。

第二句话和第一句同样重要。订单列表、工资单、单笔交易日志,都留在 Postgres 里就好。真正的信号在客户的问题里:问题是否沿着“谁和谁相连、通过什么相连、隔了几跳”这条链条展开。

AWS 列出的用例都有这种形态:社交网络、商品推荐、通过共用邮箱、银行卡和 IP 做欺诈检测、路径优化、知识管理。客户描述问题时,留意他们是否在描述一条穿过多个实体的路径。

同一个欺诈团伙,两种写法

设想一个关系型模式:一张 accounts 表,加上关联表 account_cards(account_id, card_id) 和 account_ips(account_id, ip)。仅针对一种属性类型,找出与被标记账户直接共用银行卡的账户,就已经需要这样写:

SELECT DISTINCT ac2.account_id
FROM accounts f
JOIN account_cards ac1 ON ac1.account_id = f.id
JOIN account_cards ac2 ON ac2.card_id = ac1.card_id
WHERE f.flagged = true AND ac2.account_id <> f.id;

要加上 IP,就得再 UNION 一段类似的代码。要再往外走一层(A 与 B 共用银行卡,B 与 C 共用 IP),JOIN 的数量会随属性类型的每种组合成倍增长。每加一层,就要重写一次。

换成图模型来问同一个问题:账户、银行卡、邮箱和 IP 都是节点,USES 关系把账户和它使用的东西连起来。Neo4j 上的 Cypher 查询如下:

MATCH (f:Account {flagged: true})-[:USES*2..6]-(a:Account)
WHERE a <> f
RETURN DISTINCT a.id

每个“共用”步骤是两条边(账户到银行卡,银行卡再回到另一个账户),所以 *2..6 表示最多向外走三层。调整深度只需改一个数字。新增一种属性类型(比如手机号)也不用改查询,只要加入新节点和 USES 边。

这正是要让风控团队亲眼看到的优势。AWS 还宣传图数据增长时性能保持稳定;把这当作厂商的说法,在客户数据上实测之后再做任何承诺。

Neo4j 还是 Neptune:先问语言和基础设施

图查询语言至今仍然分散:Neo4j 的 Cypher、Apache TinkerPop 的 Gremlin、W3C 面向 RDF 的 SPARQL,以及作为 ISO 标准的 GQL。建模方面主要有两派:带标签的属性图(节点和边都带属性,如上例)和 RDF。

维度 Neo4j Amazon Neptune
数据模型 属性图 同时支持属性图和 RDF
语言 Cypher;从 2025.06 版起,新功能只进入 Cypher 25,Cypher 5 已冻结 Gremlin、openCypher、SPARQL
GraphRAG 定位为 AI 的“知识层”,主推 Agentic GraphRAG 通过 Amazon Bedrock Knowledge Bases 提供托管 GraphRAG

架构上,一个 Neptune 集群有一个主写入实例和最多 15 个只读副本,共享一个跨多个可用区(AZ)分布的集群卷。与之配套的还有 Neptune Analytics,这是一个独立的内存分析引擎,在需要分析大量图数据时作为 Neptune 数据库的补充。

到了客户现场,这张表可以归结为几个很实际的问题。如果客户的一切都已跑在 AWS 上,运维团队又不想再多维护一套系统,Neptune 的阻力更小。如果客户的数据本来就是 RDF 或行业本体,Neptune 配 SPARQL 是自然之选。

如果客户自己的团队要长期编写和维护查询,对熟悉 SQL 的人来说,Cypher 通常更易读。由于 Neptune 支持 openCypher,可以先用 Cypher 做原型,在确定平台之前逐项核对功能。在交接文档里写明 Cypher 版本,因为 Cypher 5 已不再获得新功能。

GraphRAG 能回答哪些问题?

图还有第二个用途:作为 AI 问答系统的基础。微软的 GraphRAG 研究指出,传统 RAG 在面向整个文本语料库的全局问题上会失效。这正是采用图方法的动机。

假设客户有几千份事故报告。“12 号那起事故的原因是什么?”是局部问题:向量检索找到对的几段文字就够了。

“过去三年里,哪种原因反复出现得最多?”就不一样了。没有哪段文字现成地包含答案,检索最相似的 top-k 段落只能得到片面的视图。

图在这里有用,因为它把整个集合里的实体(设备、供应商、故障类型)及其关系汇聚起来,系统依据结构作答,而不是依据几段彼此割裂的文字。但如果客户 90% 的问题都是局部问题,GraphRAG 只会徒增成本和复杂度。

现场分步做法

从问题出发,而不是从工具出发。收集 15 到 20 个客户确实需要回答的问题,标出哪些需要跨越多跳关系,哪些覆盖整个文档集合。

接着,和客户的领域专家一起在白板上画出节点和边的模型。以上面的金融科技为例,四种节点加一种边就足以做演示。然后导入一部分真实数据,用 Cypher 或 Gremlin 重写最难的两三个问题,与 SQL 版本并排放在一起,让客户自己比较。

最后才选平台,依据是客户现有的基础设施、团队将要维护的语言,以及繁重的分析是否应交给 Neptune Analytics 这类内存引擎。

常见错误

最常见的错误是仅仅因为“GraphRAG 很火”,就把图数据库用在本质上是表格的数据上。第二种是把一切都建模成节点,包括本该只是属性的字段,结果图越来越臃肿,查询越来越慢。

第三种是让没有上限的变长查询(如 [:USES*])在生产数据上运行;在稠密网络中,它们几乎会遍历整张图。第四种是轻信营销数字,比如 Neptune 宣传的每秒 10 万次以上查询,而不在客户的真实负载上做基准测试。

对于转向 FDE 岗位的开发者,这项技能很容易展示。一个小仓库,用 SQL 和 Cypher 分别写同一个问题,再附上选择这种模型的理由,比简历上写“熟悉 Neo4j”更有说服力。

看岗位描述时,如果问题属于图的典型用例,比如欺诈检测、推荐或知识管理,就把这个仓库放在申请材料的最前面。

下次 SQL 查询开始让一张表和自己做 JOIN 时,停下来问问客户:他们真正的问题要跨越几跳关系?

这篇文章对你有帮助吗?

7 个信源
路线图上的下一篇 · 阶段 3: AI 应用Agent 执行到一半失败,回滚救不了你Saga 记下每个已提交步骤的撤销方法,撤销本身也失败时,就交给人工处理。