本文由谷歌云全球首批钻石合作伙伴 Cloud Ace 整理翻译并发布。
Cloud Ace - 谷歌云 | 谷歌云全球战略合作伙伴 | 云服务器据点最多经销商
在当今的零售环境中，消费者期望获得高度个性化的产品发现体验和真诚、自然且真正有用的对话式帮助。如今，成功的产品发现在于理解语义含义以及产品、类别和顾客意图之间丰富而紧密的联系。它不再仅仅是关键词搜索和简单的浏览。
在 Target，这项工作由顾客产品信任平台团队负责。他们负责构建能够建立信任并引导购买决策的功能，例如评分、评论和人工智能驱动的数字购物助手。一个令人兴奋的例子是我们于 2025 年假日季期间在 Target 官网和 App 上推出的 ++"礼物查找器"聊天助手++，旨在通过友好、对话式的交流帮助顾客找到心仪的商品。
为了在全球范围内提供此类实时个性化和富含上下文的语义响应，Target 发现了一个关键的架构需求：从碎片化的数据生态系统转向统一的数据平台。我们需要一个能够同时支持高吞吐量事务性工作负载、高度关联的图关系、向量相似性搜索和全文关键词搜索的解决方案。
在这篇文章中，将探讨Target是如何利用 Spanner 实现这四个目标的。
克服碎片化架构
此前，Target 的数据发现生态系统依赖于 Elasticsearch 集群进行搜索和倒排索引，同时使用独立的 NoSQL 数据存储来存储事务数据。虽然这种架构能够正常运行，但却带来了巨大的运营和技术挑战。
- **上下文脱节：**保持独立的搜索数据库、向量数据库和事务数据库完全同步一直是一个挑战。信息孤岛导致上下文缺失、属性关系脱节以及查询结果不一致。
- **高运营成本：**管理独立集群、调整搜索索引以及处理复杂的自定义同步和聚合逻辑需要我们的工程团队进行大量的人工干预。
- **扩展瓶颈：**扩展我们的零售数据域需要添加新的数据库集合、维护复杂的连接，以及应对我们发现和核心事务系统中薄弱的事务保证。
- **孤立的信息：**我们无法在单个事务中查询图关系、向量相似性和关键字搜索索引。
为了打造下一代人工智能驱动的客户体验，我们需要整合到一个平台上。
在 Spanner Graph 上构建企业本体
Target 评估了多种专用技术，包括独立的矢量数据库和特定用途的图数据库。然而，增加更多单一用途的数据库只会增加我们操作的复杂性和数据同步流程的难度。
Target最终选择 ++Spanner Graph++来构建企业本体，这是一个"图的图"范式，使之能够构建一个庞大的、生成式的 AI 驱动的购物图。
通过统一数据，Target 将语义数据、图关系、向量嵌入和操作事务整合到同一平台。这使得 Spanner 成为事务状态和语义智能的唯一权威数据源。
Target 的高层架构目前由三大核心支柱构成：
1. 企业增强
该层捕获我们的企业零售目录，聚合来自多个后端来源的相关元数据，并利用生成式人工智能进行代理数据增强，从而显著提高摄取的产品数据的质量和深度。
**2. 统一的图、向量和搜索存储：**Spanner Graph 无需在多个数据库之间移动数据，而是将实体节点、关系边和向量嵌入存储在同一个数据库引擎中。Spanner Graph 原生支持多跳图遍历、语义向量相似度以及对关系表的全文关键词查询。由于这种多模型协同是原生实现的，因此我们可以获得严格的 ACID 事务，从而确保分布式工作负载的绝对正确性，而无需脆弱的外部同步管道。
3. 编排和人工智能层该层为我们的对话式客户界面提供支持，利用直接从 Spanner Graph 获取的丰富、结构化的上下文信息来构建我们的生命周期模型 (LLM)。它提取高度具体的产品关系，为"
++礼物查找器"++等工具提供支持，同时管理负责任的人工智能流程并评估生成的输出。
平稳、零停机时间的增量迁移
对数百万用户赖以生存的关键搜索和发现基础设施进行迁移，需要采取谨慎且零停机时间的方案。Target 分四个阶段完成了此次迁移。
- **模式和本体映射：**定义了具体的零售实体，例如产品、类别、品牌和顾客偏好，以及它们在 Spanner 图模式中的相应关系。
- **数据集成和并行重放：**构建了基于变异的数据集成并行管道。这使企业能够持续重放实时事务更新，应用模式转换，生成嵌入，并将它们直接实时写入 Spanner Graph。
- **金丝雀部署：**逐步将实时读取流量转移到新的 Spanner Graph 支持的平台，在真实的零售工作负载下验证查询性能、语义准确性和数据库稳定性。
- **切换和清理：**在彻底验证性能后，将所有搜索和发现流量完全转移到 Spanner，并弃用了原有的 Elasticsearch 堆栈，彻底消除了这些集群的维护负担。
商业影响
通过直接在 Spanner Graph 上进行构建，Target实现了可衡量的技术和业务成果：
**GraphRAG 的终极基础：**传统的 RAG 依赖于扁平的向量相似度，这往往会忽略产品之间的结构化关联，例如玩具与其兼容配件的匹配或年龄适宜性。通过在统一的 GraphRAG 架构中结合深度图遍历和语义向量搜索，我们为 LLM 赋予了高度精确的上下文信息。这直接提高了推荐的相关性，增强了用户满意度，并提升了净推荐值 (NPS)。
**SQL + GQL 互操作性一体化：**借助 Spanner Graph，Target开发人员可以使用标准 SQL 和 GQL（图查询语言）在单个查询中查询结构化关系目录数据和关联的图关系。这消除了数据重复、延迟以及连接这些范式所需的复杂 ETL 管道。
**Spanner具备无服务器可扩展性，且增长无上限：**在黑色星期五和网络星期一等零售高峰期，Spanner 能够自动应对海量且不可预测的流量高峰。Spanner 内置的自动扩缩器能够动态调整计算能力，以应对高强度、限时促销活动期间的突发流量，同时确保性能不受影响。
**基础设施维护成本降低 50%：**通过将事务性 NoSQL 数据库和搜索索引数据库整合到单一的 Google Cloud 托管服务中，消除了维护独立数据库集群的运维负担。现在，我们的开发人员在数据库管理和基础设施维护上花费的时间减少了 50%，从而能够更快地构建和部署面向客户的全新 AI 功能。
迁移到 Spanner Graph 加速了企业的生成式 AI 路线图，最终证明了在 ++正确的数据基础++上进行构建所能取得的成就。