注释
此功能目前处于公开预览状态。 此预览版在没有服务级别协议的情况下提供，不建议用于生产工作负荷。 某些功能可能不受支持或者受限。 有关详细信息，请参阅 Microsoft Azure 预览版的使用条款。
Microsoft Fabric中的图形将存储在 OneLake 中的结构化数据转换为可建模的可查询图形。 使用通过通用引擎运行的基于视觉对象或 GQL 的工具查询图形，以生成视觉对象、表格或编程结果。
本文介绍图形体系结构，并介绍从源到见解的端到端数据流。
下图演示了从源到见解的端到端数据流：
数据源
数据源自外部系统，例如Azure服务、其他云平台或本地源。 在将数据引入 OneLake 后，Microsoft Fabric 中的图形功能可以处理并读取来自这些源的数据。
OneLake 中的存储
将引入的数据存储在 OneLake 中，作为表格源表存储在 Lakehouse 中。 保存模型时，图形从 Lakehouse 表引入数据，因此无需设置单独的 ETL 管道或将数据移到外部数据库。
图形建模
在图形建模步骤中，通过指定来定义图形架构：
- 节点类型： 数据中的实体，例如客户、产品或订单。
- 边缘类型： 实体之间的关系，例如“购买”、“包含”或“生成”。
- 表映射： 节点和边缘定义如何映射到基础源表。
此步骤创建 标记的属性图 结构。 在查询图形之前完成图形建模。 有关做出这些建模决策的指导，请参阅 设计图形架构。
注释
Graph 当前不支持架构演变。 如果需要进行结构更改（例如添加新属性、修改标签或更改关系类型），请将更新的源数据重新引入新模型。
可查询图形
保存模型时，图形会从基础 Lakehouse 表引入数据，并构造可读取优化且可查询的图形。 此图形结构针对遍历和模式匹配进行优化，可大规模实现快速高效的图形查询。
查询编写
可以使用两种方式之一针对可查询图数据库编写查询：
- 查询生成器： 用于浏览节点和关系的视觉对象交互式界面，无需编写代码。 有关详细信息，请参阅 使用查询生成器查询图形。
- 代码编辑器： 用于编写 GQL（图形查询语言） 查询的基于文本的编辑器。 有关详细信息，请参阅 使用 GQL 查询图形。
这两个选项都针对相同的底层图。 选择适合工作流的创作体验。
查询执行
通过支持以下操作的常见执行层运行查询：
- GQL： 使用 图形查询语言（ISO/IEC 39075）的国际标准查询图形。
-
自然语言到 GQL （NL2GQL） （预览版）： 将自然语言问题翻译成 GQL 查询。 在
Fabric Data Agent0 Microsoft Fabric 中添加图形作为数据源，以启用图形支持的 AI 推理。 有关 NL2GQL 的工作原理的详细信息，请参阅 图形支持的 AI 推理公告。 - 基于 REST 的执行： 使用 GQL 查询 API 以编程方式运行查询。
小窍门
选择查询路径： 使用 GQL 或 REST 直接以编程方式访问图形数据，并完全控制查询结构。 需要自然语言访问时，通过 Fabric Data Agent 使用 NL2GQL（预览版），非常适合用于对话式 AI 和知识助手场景。
此层针对可查询图形运行查询逻辑并返回结果。
查询结果
根据查询图形的方式，你会收到以下一个或多个格式的结果：
- 可视图表：节点与关系的交互式可视化。
- 表格结果集： 行和列中的结构化数据。
- 编程响应： 用于 REST 或下游系统的 JSON 输出。
以交互方式浏览结果，将其共享为只读查询集，或在其他工具和应用程序中使用它们。