不要把每一次对话都当作一张白纸，智能体可以存储关系、回忆上下文，并在相互关联的信息之间进行实时推理。这也是为什么知识图谱在智能体开发者中如此受欢迎。
而且不只是智能体在使用。知识图谱还支撑着当今生产环境中一些最苛刻、最复杂的系统：
这些本质上都是 图问题 ，核心在于理解事物之间是如何相互关联的。
以 Neo4j 为代表的传统的图数据库将关系存储为指针。要遍历这些关系，你需要一次追踪一个指针：
- 从节点 A 开始
- 沿着一条连接到达节点 B
- 读取 B 的连接关系
- 跳转到节点 C
- 不断重复
每一次“跳转”都需要一次单独的内存访问。探索的连接越多，速度就越慢。
对于简单查询来说，这种方式没有问题。但当你的智能体需要在 实时 场景下，对成千上万个实体进行 多跳推理 时，每一毫秒的延迟都会不断累积，最终成为瓶颈。
FalkorDB 的速度比 Neo4j 快 496 倍 。
它是一个开源图数据库，将整个图表示为一个 稀疏矩阵 。不再通过追踪指针来遍历关系，而是把图遍历转换为 矩阵运算 ，并且可以 并行执行 。
从实际角度来看，这意味着：
假设你想在校园BBS中查找朋友的朋友：也就是说， 和 Alice 的朋友相连的人都有谁？
传统做法：
- 从 Alice 开始，先找到她的朋友（Bob、Carol、Elliot）。
- 然后对每一个朋友，再去查找他们各自的朋友。
- 最后把结果合并起来。
每一步都是 顺序执行 的。
FalkorDB 的做法：
把整个社交图表示成一个矩阵 F ，其中：
- 如果第 i 个人和第 j 个人是朋友
- 那么矩阵位置 F[i, j] = 1
这样一来，查找“朋友的朋友”就变成了一次 矩阵乘法 ：
F × F = F²
结果中，如果 F²[Alice, Dave] = 2 ，就表示：
Alice 和 Dave 之间存在两条不同的连接路径 ，即使他们并不是直接好友。
换句话说：不再一条一条地追踪关系，而是由 CPU 同时并行处理所有路径。
来看一下这个效果：
为什么它这么快？
矩阵运算已经被优化了几十年。现代 CPU 针对这类计算提供了专门的 SIMD 指令 ，正是为此而生的。
FalkorDB 在底层使用的是 GraphBLAS —— 这套数学体系同样被用于高性能科学计算领域。
此外，现实世界中的图大多是 稀疏的 ：
- 大多数人并不关注大多数人
- 大多数商品也并不和大多数商品相关
FalkorDB 使用 压缩稀疏矩阵（Compressed Sparse Matrix） 格式，只存储真实存在的关系。
因此，性能差距非常明显：
- 中位延迟：55ms vs 577ms（快 10 倍）
- 99 分位延迟：136ms vs 46,924ms（快 345 倍）
- 内存使用：减少 42%
即使在 极端高负载 下，FalkorDB 依然能将响应时间稳定控制在 140ms 以内 。
实战
我们可以用 Docker 在本地启动一个FalkorDB服务：
数据库运行在 6379 端口，打开浏览器输入 localhost:3000 可以进入FalkorDB Web UI。
安装 Python 客户端：
现在创建一个电商网站数据库：
找到经常购买游戏本的人：
查询语言是 OpenCypher ，在进行关系型查询时，它的可读性和直观性都比 SQL 更强。
我们可以从图中验证查询结果的 正确性 。
OpenCypher 覆盖了基础能力，但如果需要更专业的逻辑呢？
比如，你可能需要用于 推荐系统的自定义相似度评分 ，或者用于 反欺诈的规则 ，以反映你公司独特的风险模式。
用户自定义函数（UDF） 允许我们编写 JavaScript 函数 ，并且可以直接访问：
- 节点的邻居
- 节点属性
- 路径信息
FalkorDB FLEX 为常见任务提供了 预置的 UDF 。
示例：用户搜索中的模糊匹配
假设有人把 “Alice” 错输成了 “Alcie” 。
如果不使用 FLEX，你就需要自己编写一套自定义的匹配逻辑：
使用 FLEX：
FLEX 内置了以下功能：
- 字符串匹配 （模糊匹配、语音匹配、正则表达式）
- 数据清洗与归一化
- 统计运算
- 时间序列分析
无需编写任何自定义代码。
为 SaaS 而生
如果你在构建一个 SaaS 产品 ，那么每个客户都需要 数据隔离 的存储空间。
传统做法： 为每个客户单独启动一个数据库实例：基础设施更多、成本更高、系统更复杂。
FalkorDB 支持在 单个实例中运行 10000+ 个相互隔离的图 ：
为什么这对 AI 智能体很重要？
向量数据库可以捕捉 语义相似性 ，但它们 无法明确表示关系 。举例来说，当你的智能体问：“这个用户购买了哪些产品，这些产品和他们朋友购买的产品相似？”
这类问题需要 遍历关系 ，而不仅仅是计算向量相似度。
知识图谱 正好填补了这个空白。
更重要的是，当智能体需要在成千上万个相互关联的实体之间进行 多跳推理 时，基于矩阵的图遍历方式让你能够 在不受延迟瓶颈限制的情况下 扩展系统。
FalkorDB 对图数据库的处理方式有 根本性的不同 ：
- 基于矩阵的遍历，即使图规模扩大也依然高速
- 大规模下响应时间低于 100ms
- 通过 FLEX 提供 内置用户自定义函数（UDF）
- 原生多租户，支持 SaaS 应用
- 完全兼容 OpenCypher
- 100% 开源