图的核心要素：节点、边与度

可视化演示

展示AI编程助手（如Copilot）企业版集成架构，包括IDE集成、代码仓库对接、安全合规扫描与知识库接入，直观理解企业级AI辅助开发的完整链路。

节点：图中的实体

想象你打开手机地图，第一次看一座陌生城市的轮廓。你会先标记几个关键地标：地铁站、学校、商场、医院。地图上这些图标彼此孤立地存在着，但你心里清楚，它们之间将被道路和线路连接成一张网。在 AI 眼里，任何现实对象都可以先变成这样一个“图标”，这就是节点的雏形。

当我们要让计算机理解关系时，第一步是圈定对象集合。节点是图中最基本的元素，用来表示一个具体的实体——一位用户、一件商品、一个原子，甚至一个词语。所有节点组成的集合记为 $V$（Vertex 的缩写），而整个图由节点集合 $V$ 和边集合 $E$ 共同构成。节点不是孤零零的代号，在真实场景中它往往携带大量信息：用户的年龄、商品的类别、原子的质量，这些附加属性称为节点特征。

用数学语言总结，图的标准定义如下：

回到城市地铁系统：每个站点就是一个节点。有了站点，才谈得上线路和换乘。你在 AI 任务中遇到的每一位用户、每一个商品，本质上都只是地标清单里的一个条目；而这条清单，是后续一切计算的出发点。

边的连接：实体间的关系

光有地标还不够。你从学校出发去商场，必须知道有没有一条路能到达；如果两个地标之间完全不通，那它们在你的行动规划中就是两个孤岛。同样，在关系数据里，光有对象清单也无法回答“谁和谁有关”。

边就是两个节点之间存在联系的直接证据。形式上，一条边关联一对节点，记作 $e = (v_i, v_j)$。边集合 $E$ 里装的就是这些“连接记录”。边的类型非常丰富：社交网络中的“关注”、分子结构中的“化学键”、知识图谱中的“属性关系”、代码依赖图中的“调用”都是一条边。边能把原来零散的节点编织成有结构的网络——这正是“图”区别于“散点列表”的本质。

地铁站之间的隧道，就是站与站之间的边。一条隧道连接两个站，整个城市的线网就由这些隧道铺开。没有边，站点再多也只是一串孤零零的名字——同理，没有关系约束，数据再多也只是一张普通的表格。

方向与对称：有向图与无向图

有些城市道路是单行道，你只能按箭头方向走；有些是双向路，你可以自由往返。同样是“路”，方向不同，行车的逻辑就完全不同。在图中，边的方向由建模需求决定。

如果关系天然带有方向——比如 A 关注了 B，B 未必关注 A——我们就用有向边，学术上称为“弧”，记作 $a = (u, v)$，表示从 $u$ 出发指向 $v$。如果关系是对称的（如“互为好友”），就用无向边，记作 $\{u, v\}$，花括号强调两端点地位平等。两种图的关键差异体现在邻接矩阵上：有向图的矩阵往往不对称，无向图的矩阵必为对称矩阵。在 GNN 中，这个差异直接影响消息传递的路径：无向图中邻居互相感知，有向图中信息只能沿箭头单向流动。

单行道和双行道的区别，决定了你规划路线的方向；而图的有向无向，决定了算法是沿单向传播还是双向聚合信息。建模时先问一句：“这个关系箭头能代表全部现实吗？”答案就直接把你引向有向图或无向图。

权重与代价：连接的成本与收益

从车站 A 到车站 B，有直达线路也有换乘线路，耗时不一样。同样是“能到达”，通勤时间 5 分钟和 50 分钟的体验天差地别。如果地图上只标“能到”而不标“多快能到”，信息量就太单薄了。图论中也一样：光有边只能表达“有关系”，表达不了“关系有多强”。

权重（weight）就是给边附加的数值，用来刻画关系的强度、代价或收益。带有权重的图称为加权图，数学上记为 $G = (V, E, w)$，其中 $w$ 是一个权重函数。权重是非常灵活的语义容器：路网中是距离或时间；推荐系统中是用户与商品的交互次数；分子图中可以是键能；知识图谱中可以是关系置信度。加权图的邻接矩阵不再只用 0/1 表示存在性，而是直接存储权重值，0 表示无边。

地铁票价与耗时就是边的权重。模型里有了权重，“从 A 到 B 有关系”升级为“关系有多强”，推荐排序、路径规划就有了决策依据。记住：边回答“有没有关系”，权重回答“关系值多少”。

度与连接数：节点的活跃程度

市中心的大换乘站总是熙熙攘攘，因为很多条线路在这里交汇；郊区小站只有一两条线经过，客流冷清。决定一个站点“热闹程度”最直观的指标，就是它连接了多少条线路。图论中把这个指标叫做度（degree）。

无向图里，节点 $v$ 的度记作 $\deg(v)$，等于与 $v$ 相关联的边的数量，也等于邻居数量。有向图则细分为出度（out-degree，从 $v$ 出发的弧数）和入度（in-degree，指向 $v$ 的弧数）。度是最基础也是最重要的统计量之一。握手引理（handshaking lemma）指出：无向图中所有节点的度之和等于边数的两倍，因为每条边给它的两个端点各贡献了 1 度。在 GNN 中，度常被用来做邻居数量的归一化，避免高连接节点聚合消息时数值爆炸。

换乘站的热闹程度，就是它的“度”。AI 判断一个用户在网络中的影响力、一个原子在分子中的活跃度，第一眼看的往往也是这个数。度是“连接数量”的快照，也是后续很多复杂图算法的出发点。

存储与矩阵：邻接矩阵与邻接表

地铁公司管理线网有两种常用方式：一种是一张巨大的线路时刻总表，横轴竖轴都是站名，交叉格填“有车 / 无车”；另一种是每个站台挂一块接驳牌，只列出本站能换乘的线路。前者查询任意两站之间是否直达很快，后者省纸张，尤其适合站点很多但线路很少的郊区线网。计算机存储图，面对的也是同一种取舍。

邻接矩阵（adjacency matrix）$A$ 的维度是 $n \times n$，$A_{ij}=1$ 表示节点 $i$ 与 $j$ 相邻（加权图存权重），无向图的矩阵对称。它判断两节点是否相邻只需 $O(1)$ 时间，代价是最坏需要 $O(n^2)$ 空间。邻接表（adjacency list）为每个节点维护一个邻居列表，总空间 $O(n+m)$，遍历邻居极其高效，是稀疏图（边数远小于 $n^2$）的默认选择。度矩阵 $D$ 是对角矩阵，$D_{ii} = \sum_j A_{ij}$，它和邻接矩阵经常成对出现在图卷积公式中。

“总表”还是“接驳牌”，取决于城市线网的密集程度。AI 工程师建图之前先看数据规模：节点百万级、边又稀疏，就背起邻接表上路；节点少且边稠密，矩阵才是性能利器。存储结构没有绝对好坏，只有合不合适。

AI 应用场景

Python 演示

class SimpleGraph:    """用邻接表实现的无向图。"""     def __init__(self):        self.adj = {}  # 邻接表：节点 -> 邻居集合     def add_node(self, node):        if node not in self.adj:            self.adj[node] = set()     def add_edge(self, u, v):        self.add_node(u)        self.add_node(v)        self.adj[u].add(v)        self.adj[v].add(u)     def degree(self, node):        return len(self.adj.get(node, set()))     def edge_count(self):        total = sum(len(nbrs) for nbrs in self.adj.values())        return total // 2     def neighbors(self, node):        return sorted(self.adj.get(node, set()))  def main():    g = SimpleGraph()    pairs = [('Alice', 'Bob'), ('Alice', 'Carol'),             ('Bob', 'David'), ('Carol', 'David'),             ('David', 'Eve')]    for u, v in pairs:        g.add_edge(u, v)     print('Degrees:')    for node in sorted(g.adj):        print('  {}: {}'.format(node, g.degree(node)))     total_deg = sum(g.degree(n) for n in g.adj)    m = g.edge_count()    print('Number of edges: {}'.format(m))    print('Sum of degrees: {}'.format(total_deg))    print('Handshaking check: 2 * edges = {}'.format(2 * m))    print("Eve's neighbors: {}".format(g.neighbors('Eve')))  if __name__ == '__main__':    main()

1. self.adj = {}用字典存储邻接表，键是节点，值是邻居集合。
2. self.adj[u].add(v)无向图对称添加，u 的邻居列表加入 v，v 的列表也加入 u。
3. len(self.adj.get(node, set()))邻居集合的大小就是该节点的度。
4. total // 2每条无向边被两个端点各记一次，总和除以 2 得到真实边数。
5. 2 * m输出端打印 2 倍边数，与度数总和比对验证握手引理。
6. sorted(g.adj)按名字排序输出，让结果固定可复现。

常见误区

面试题