用途：当实体间关系是核心时，指导图数据库的选型与实现。相比用外键和连接建模关系的关系型数据库，图数据库把连接作为一等公民，适合深度遍历查询。
适用判断：适合4跳以上深度遍历、可变或演进的关系、路径查找、模式匹配（欺诈检测、推荐、访问控制）。不适合固定模式且连接较浅（2-3张表）的场景，宜用PostgreSQL；以聚合分析为主宜用列式数据库；仅键值查找宜用Redis/DynamoDB。
选型框架：固定模式浅连接用PostgreSQL；已有PostgreSQL且图简单用Apache AGE；深度遍历且通用用Neo4j；多模型（文档+图）用ArangoDB；AWS原生无服务器用Amazon Neptune；实时流式内存用Memgraph。
核心概念：属性图模型由节点（标签与属性）、关系（带类型与属性）和属性组成。查询语言包括Cypher（Neo4j、Memgraph、AGE）、Gremlin（Neptune、JanusGraph）、AQL（ArangoDB）、SPARQL（Neptune、RDF存储）。
常见Cypher模式：基本匹配、变长路径（如[:FRIEND*1..3]）、最短路径shortestPath、协同过滤推荐、循环资金流欺诈检测。
建模最佳实践：关系作为一等公民而非节点属性；在关系上存元数据；遍历要有深度上界；避免超级节点，可用时间分区等中间聚合节点。
性能优化：为高频查询属性建索引（单属性、复合、全文）；物化昂贵聚合为属性；纵向扩容、读副本、分片、应用层缓存。
语言集成：提供Python、TypeScript（Neo4j驱动）与Go（ArangoDB驱动）示例。安装命令如pip install neo4j、npm install neo4j-driver、cargo add neo4rs。
校验：可用scripts/validate_graph_schema.py检查无界遍历、缺失索引、超级节点与关系属性一致性，命令为python scripts/validate_graph_schema.py --database neo4j://localhost:7687。
与其他技能集成：可与向量数据库做混合检索用于AI/RAG，与搜索过滤、AI对话、认证安全（ReBAC）结合。
限制：资料未提供各数据库的收费、价格、平台与效果数据；具体性能表现需结合实际环境评估。