核心观点:2026年11月,图查询引擎公司PuppyGraph近日完成1000万美元A轮融资。随着AI Agent逐步进入企业业务,如何让AI准确理解和检索复杂的企业数据关系,正成为新的技术需求。PuppyGraph通过图查询引擎,让AI Agent能够在现有数据平台上理解和利用数据之间的关联,并已获得AMD、Coinbase等企业客户。AI Agent的发展,正在为这家公司的商业化打开新的空间。

01. 理解复杂数据关系,成为企业AI的新挑战
11月10日,图查询引擎公司PuppyGraph宣布完成1000万美元A轮融资,由Particle Future领投,defy.vc参与投资,累计融资金额达到1500万美元。本轮融资将主要用于技术研发和企业市场拓展。

PuppyGraph成立于2023年,联合创始人兼CEO Weimo Liu本科毕业于复旦大学,后获得乔治华盛顿大学计算机科学博士学位。他曾在TigerGraph从事分布式图数据库的查询语言及编译器研发,随后加入Google F1团队,参与统一SQL查询引擎的开发。
PuppyGraph瞄准的,是企业AI应用中一个容易被忽视的问题:大模型能够理解指令、生成SQL,但不一定知道企业的数据分布在哪里,以及不同数据之间存在什么关系。
传统企业数据通常分散在不同业务系统和数据库中,以数据表的形式存储。SQL擅长筛选、统计和聚合,Text-to-SQL也让用户可以通过自然语言向数据库提问,但这类方式通常要求用户或模型事先知道需要查询哪些表,以及表与表之间如何关联。
AI Agent带来的变化在于,它不再只是回答一个明确的问题,而是需要根据任务结果不断提出新问题、执行查询,并沿着发现的线索继续调查。例如,要分析供应链延迟对销售的影响,Agent可能需要从订单追踪到产品,再从产品找到零部件和供应商。相关信息分散在多张表中,关系路径也未必事先明确。
当查询从简单的表格关联变成跨系统、多层级的关系追踪,仅依赖模型临时推断表结构和生成SQL,准确性和执行效率都会面临挑战。企业需要的不只是更强的模型,还包括能够明确表达业务实体及其关系、并让Agent直接查询的数据基础设施。
02. PuppyGraph:让企业无需迁移数据即可实现图查询
PuppyGraph提供的解决方案,是在企业现有数据平台之上增加一层图查询引擎,而不是要求企业重新建设一套图数据库。
PuppyGraph可以连接企业数据源,将表格中的业务对象映射为图节点,将采购、供货、交易等业务联系映射为边,从而将分散的数据组织成可查询的关系网络。
以供应链管理为例,当某个供应商出现交付问题时,AI Agent可以通过PuppyGraph追踪该供应商提供的零部件、使用这些零部件的产品以及相关订单。由于这些业务关系已经预先定义,Agent无需每次都从大量数据表中重新推断关联,而是可以直接沿着关系进行查询,并根据结果继续调查。

这一方案的关键在于存算分离。传统图数据库通常需要将数据导入独立的图存储,并持续维护同步机制;PuppyGraph则直接连接企业现有的数据平台,在原始数据之上执行图查询,无需额外维护一套独立的图数据库副本。
目前,PuppyGraph支持Snowflake、Databricks、PostgreSQL、Apache Iceberg等数据平台及表格式,兼容openCypher和Gremlin图查询语言,并通过分布式计算节点和本地缓存提升查询效率。

图查询也不是要取代SQL。对于常规的数据筛选、统计和聚合,Agent仍然可以使用SQL;当任务需要追踪多个业务实体之间的复杂关系时,则可以调用图查询引擎。两种查询方式可以在同一套数据平台上配合使用。
为了进一步降低AI应用的接入门槛,PuppyGraph在2026年6月发布的1.0版本中加入了AI辅助建模和MCP接入。AI辅助建模可以根据企业现有的数据表,帮助识别业务对象及其关系;MCP则让AI Agent能够直接调用图查询能力。此外,产品还支持行级数据权限控制,使查询遵循企业原有的数据访问规则。
通过这套架构,PuppyGraph将原本分散在不同数据表中的业务关系组织成结构化的查询模型,让AI Agent能够更方便地检索和利用企业数据。
03. PuppyGraph在企业AI中的落地案例
AMD在建设内部数据智能平台时,将分散在不同业务系统中的数据整合到基于Apache Iceberg的开放数据平台。但数据集中存储,并不意味着大模型就能理解其中的业务关系,用户、设备、应用和服务器等信息仍然分散在不同的数据表中,Agent要回答涉及多个业务系统的问题,需要先找到相关数据,再判断它们之间如何关联。
据AMD工程团队介绍,当查询涉及两三张数据表时,大模型尚能较好地处理,但当需要关联十张表时,生成准确SQL就变得困难。随着涉及的数据表增加,模型不仅要找到正确的数据,还要判断表与表之间的关联方式,查询出错的可能性也随之增加。
为解决这一问题,AMD引入PuppyGraph,在现有Iceberg数据之上构建知识图谱,为内部AI助手提供GraphRAG(基于知识图谱的检索增强生成)能力。通过提前定义业务对象及其关系,Agent可以沿着预先建立的关系查询数据,获取分散在不同表中的关联信息,而不必每次都从头推断业务逻辑。AMD也无需额外建设一套独立的图数据库。

类似的问题也出现在企业安全领域。AI安全公司Sola Security展示过一个案例:一名员工离职后,HR系统已经更新其离职状态,但登录账号仍然处于启用状态,并通过原有权限关联到用于加密生产数据的密钥。单看员工或账号信息,很难判断实际风险;只有进一步追踪员工身份、账号、用户组和云资源之间的关系,才能看清这个账号仍然可以访问哪些敏感资源。
Sola Security利用PuppyGraph将这些身份、云资源和访问权限关系连接起来,让Agent能够沿着权限路径追踪资源,辅助识别潜在的安全风险。这类任务不仅要求Agent找到相关数据,还要求它能够快速完成多层级的关系查询。 在Sola披露的一项生产环境测试中,三天内共执行15105次预计算路径查询,中位响应时间为0.45秒,95%的查询在1.5秒内完成。

AMD和Sola Security的应用场景不同,但都体现出企业Agent面临的一个共同问题:数据分散在不同系统中,单纯依靠模型生成SQL,很难始终准确还原复杂的业务关系。图查询通过提前组织这些关系,为Agent提供了更明确的数据关联路径,使其能够更准确地检索信息和追踪业务线索。
04. 从单一场景切入,向企业内部扩张
目前,PuppyGraph的客户包括AMD、Coinbase、Datadog、Palo Alto Networks、Netskope和Trend Micro等企业。据公司2026年11月披露,其年度经常性收入(ARR)已达到一年前的7倍。

PuppyGraph的增长机会不仅来自新客户,也来自现有客户内部的场景扩张。例如,AMD最初将其应用于IT业务,随后开始探索信息安全和数字营销领域。
这种扩张有一定的复用基础。企业在一个场景中已经建立了业务实体和关系模型,进入其他部门时,部分数据关系可以直接沿用,不必从零开始重新建模。随着连接的数据系统和业务部门增加,图查询引擎的使用范围也有机会扩大。
在商业模式上,PuppyGraph提供免费的开发者版本,企业版则根据部署所需的CPU和内存资源收费,而不是按照数据存储量或查询次数计费。因此,客户将产品部署到更多业务场景后,可能需要增加计算资源,为公司带来更高的客户收入。

不过,场景扩张仍然存在现实障碍。图模型需要准确反映企业的业务逻辑,哪些数据代表业务实体、哪些字段构成关联,仍需要企业团队参与确认。AI辅助建模可以减少初期整理工作,但不能完全替代业务人员的判断。
此外,Snowflake、Databricks等数据平台也在将数据查询、分析和AI Agent能力整合进自身产品。对于企业而言,如果现有平台已经能够满足部分需求,就未必需要额外引入一套图查询引擎。PuppyGraph需要证明,在跨平台关系查询、复杂路径分析、性能和部署成本上,专业引擎仍有独立价值。
结语
随着AI Agent从简单问答走向复杂业务任务,企业对数据关系理解和检索能力的需求也在提升,图查询有望成为连接企业数据与AI Agent的重要基础设施。PuppyGraph能否借助这一趋势,将图查询能力融入更多企业AI应用,值得持续关注。
文章来自于微信公众号 “The Prospect”,作者 “The Prospect”