LLM Agent 的图记忆成本几何：跨图数据库引擎的查询、写入与更新性能评测

一篇 arXiv 论文构建了含 102 万节点、534 万节点与边行的合成生物医学属性图，并用覆盖邻域查找、有界路径、集合交、反连接、分组聚合、top-k、时间过滤、全扫描和关系连接的二十条查询负载，在三档图规模下对比 Corvic AI 与 LoraDB、Ladybug、DuckPGQ、Memgraph、Neo4j、HugeGraph、FalkorDB 七套系统，报告查询延迟几何均值、批量写入吞吐、点更新延迟与答案正确性。核心结论是没有系统全面最快，主要成本差异来自数据可用性成本而非查询延迟。

图数据库常被默认当作连接型数据负载的必需组件，但厂商叙事很少把查询规划、索引和数据准备成本单独拆出来衡量。该研究用统一负载和多规模对比，把选择依据从品类信仰转向具体查询形状与总拥有成本，对 LLM Agent 记忆层的选型方式构成实质修正。

不同引擎的差异主要来自查询规划与索引方式：原生图引擎在窄范围、有界邻域查询上占优，而列式引擎在需要扫描或连接大比例图数据时更快；用 SQL/PGQ 实现图查询语法的系统即使语法等价，也会因规划器选择而变慢。当查询量变化时，写入吞吐与查询延迟之间存在可量化的权衡，因此选型取决于查询规模。

对构建 Agent 记忆或知识图谱的产品团队而言，选型不应只看图查询基准，而应把批量写入与数据准备成本纳入容量规划；高写入、低查询场景与高查询、低写入场景可能对应不同引擎。研发上需要按实际查询形状分桶测试，而非采用单一综合分数。

• 在 Agent 记忆选型阶段，按自身查询形状（邻域查找、聚合、连接）分桶复现该负载，形成内部基准而非依赖厂商结论
• 为高写入低查询的记忆场景优先评估列式或 SQL/PGQ 路径，并单独测算数据准备与索引成本
• 把 ingest/query 权衡做成按查询量分段的成本模型，用于容量规划与引擎切换决策

• 论文只给出摘要片段，各系统在正确性上的具体差异未披露
• 总拥有成本模型中未说明是否计入运维人力与迁移成本
• 结论基于合成生物医学属性图，能否外推到其他领域图结构尚不确认
• Corvic AI 作为被评测方同时是论文相关方，其基准设置的独立性有待核实