LLM Agent 的图记忆：代价几何？跨图数据库引擎的查询、导入与更新性能比较评估

图数据库经常被描述为连接数据工作负载中不可或缺的类别，但它们实际存在差异的系统维度——查询规划、索引以及使数据具备可查询性的成本——却很少从厂商的宣传框架中被单独剥离出来。我们构建了一个具有生物医学形态的合成属性图（102 万个节点、节点和边共计 534 万行），以及包含邻域查找、有界路径、集合交集、反连接、分组聚合、top-k 排名、时间过滤、全表扫描和关系连接在内的 20 个查询组成的工作负载。我们在三个相差三个数量级的图规模上，将 Corvic AI——支撑 Corvic 本体管理层（“memories”）的专用列式查询引擎——与七个专用图数据库或图扩展数据库系统（LoraDB、Ladybug、DuckPGQ、Memgraph、Neo4j、HugeGraph 和 FalkorDB）进行了基准测试。我们报告了每个系统的查询延迟几何平均值、批量导入吞吐量、点更新延迟和答案正确性，并建立了一个简单的总拥有成本模型，将导入与查询之间的权衡表示为查询量的函数。我们的核心发现是，在这一样本中没有任何系统在所有方面都绝对最快：原生图引擎 Ladybug 在狭窄的有界邻域查询形态上优于 Corvic AI，而 Corvic AI 在需要扫描或连接图中较大比例数据的查询形态上更快；通过 SQL/PGQ 实现图查询语法的系统 DuckPGQ，则仅仅由于查询计划选择的原因而明显更慢。在我们的数据中，占主导地位的成本差异并非查询延迟，而是让数据具备可查询性的成本：不同引擎的批量导入吞吐量相差三个数量级（5.0k–4.3M 行/秒）。简单的临界点计算表明，对于每次数据刷新查询次数少于约 105 次的任何工作负载而言，这一差距都将主导总成本。