Google Cloud 宣布 BigQuery Graph 正式可用（GA）。这项功能将原生图能力直接引入数据仓库，使图分析与关系分析在同一引擎内完成，无需将数据抽取到独立的图数据库中。它支持 ISO 标准的图查询语言 GQL，可与 SQL 并用，并继承 BigQuery 的现有安全与扩展能力，可处理 PB 级数据。它的核心价值在于解决企业数据中的连接性问题，例如账户关联、支付路径追踪，以及为 AI Agent 提供可推理的连接上下文。

GA 版本在两个方向做了增强。一是图引擎本身更快、更广。据其公开基准，GQL 查询速度相比预览版提升 2 倍，无向遍历速度提升 100 倍，同时在 ACYCLIC 和 TRAIL 路径模式下优化了循环检测，使其更快且资源效率更高。新增的 CALL 语句和扩展子查询支持，允许将复杂问题拆解为更小的部分，并让分析师编写的函数能被 Agent 作为工具调用。二是构建了一个 Agent 生态系统。BigQuery conversational analytics 支持直接用自然语言与图交互，系统会根据 schema 关系翻译为 SQL 或 GQL，并利用图的元数据来减少歧义和幻觉。Google 还发布了 Agent skill，可帮助构建图的节点与边，并验证关系匹配率，让用户获得可信的初始图。此外，BigQuery Agent Analytics 中的 context graph 功能，能将 Agent 的每次操作捕获为可查询的推理轨迹，使决策事后可解释。

BigQuery Graph 还通过 borderless Lakehouse 实现跨云查询。一个虚拟图可以横跨 Google Cloud 上的 BigQuery 表和 AWS 或 Azure 上的开源 Iceberg 表，支持通过 Databricks Unity Catalog、AWS Glue 或 Snowflake 访问，无需复制数据或构建 ETL 管道。示例中展示了如何定义一个虚拟图，连接位于 Google Cloud 和 AWS 的客户、产品与供应商数据，并进行多跳查询。

在实际应用中，Thales 网络安全产品部门利用它进行威胁检测，通过属性图执行复杂多跳遍历，并将异常自动聚类为攻击故事，结合 Gemini 模型生成威胁叙事。Yahoo 的广告平台将其用于连接广告活动、受众与效果数据，让 Agent 能推理并回写结论。Workerbee 则用它构建可复用的劳动力技能图谱。其他应用场景包括供应链数字孪生、身份解析与客户 360、知识图谱及 GraphRAG、网络拓扑与数据血缘追踪等。