引言

在多模型数据库的世界里，很多开发者都面临一个选择难题： 要存图关系用 Neo4j，要存文档用 MongoDB，要做向量检索用 Pinecone——结果一个项目要维护 3 套系统、3 套 API、3 份数据同步。

ArangoDB 给出了一个更优雅的答案： AQL（ArangoDB Query Language）。作为多模型数据库的统一查询语言，AQL 允许开发者用 一条查询同时操作图、文档、向量三种数据模型，无需在多个系统间切换。

本文将带您从零开始了解 AQL，并通过一个完整的实战示例，展示如何用 AQL 实现"图遍历 + 文档检索 + 向量相似度搜索"的联合查询。

一、什么是 AQL？

AQL（ArangoDB Query Language）是 ArangoDB 专为多模型数据库设计的统一查询语言。它支持：

图遍历（Graph Traversal）：处理复杂的关系网络，如社交网络、知识图谱

文档操作（Document Operations）：类似 MongoDB 的 JSON 文档操作

向量检索（Vector Search）：基于向量相似度的近似最近邻（ANN）搜索

键值操作（Key-Value）：高性能的键值查找

AQL 的核心设计理念：用一套统一的语法，覆盖所有数据模型的查询需求，避免"一个模型一套查询语言"的碎片化问题。

二、AQL 的 6 大核心特性

特性 1：声明式语法

AQL 采用声明式语法，开发者只需描述"想要什么"，无需关心"如何实现"。比如查询"找出所有与 Alice 有关联的朋友的朋友"：

请点击输入图片描述（最多18字）

优势：代码可读性高，数据库引擎自动优化执行路径。

特性 2：图遍历原生支持

AQL 的图遍历语法非常强大，可以指定遍历深度、方向、边类型等：

IN 1..3 表示遍历 1 到 3 层

ANY 表示双向遍历，OUTBOUND 表示单向出边，INBOUND 表示单向入边

GRAPH 'social' 指定图名称

特性 3：文档与图的无缝结合

AQL 允许在图遍历过程中直接访问文档字段，比如查询"找出 Alice 的所有朋友中年龄大于 30 的"：

请点击输入图片描述（最多18字）

优势：无需将图遍历结果导出再处理，整个查询在数据库内完成。

特性 4：内置向量检索

AQL 内置向量检索能力，支持余弦相似度、欧氏距离等多种相似度算法：

请点击输入图片描述（最多18字）

优势：向量检索与文档检索共用同一套语法。

特性 5：完整的 CRUD 支持

AQL 提供 INSERT、UPDATE、REPLACE、REMOVE 等完整的数据操作语句，覆盖 CRUD 全场景。

特性 6：可扩展性与性能

AQL 支持用户自定义函数（AQL UDF），可在查询中调用业务逻辑；同时 AQL 查询经过查询优化器优化，性能表现优异。

三、实战示例：用一条 AQL 实现图+文档+向量联合检索

业务场景：构建一个智能客服系统，需要根据用户的问题（向量相似度）找到相关文档（文档检索），并根据文档关联的专家（图遍历）返回推荐答案。

步骤 1：定义数据模型

请点击输入图片描述（最多18字）

步骤 2：单条 AQL 实现联合检索

请点击输入图片描述（最多18字）

查询逻辑：

用向量检索找出与用户问题最相似的 3 个 FAQ

通过图遍历找出每个 FAQ 对应的专家

合并返回结果（问题、答案、相似度、专家信息、评分）

核心优势：

一条查询完成：无需在应用层组合多个 API 调用

性能优异：数据库内部完成所有计算，减少数据传输

可读性强：业务逻辑清晰，便于维护

四、AQL vs Cypher vs SQL：横向对比

请点击输入图片描述（最多18字）

结论：AQL 在多模型查询场景下具有明显优势，特别适合"图+文档+向量"混合场景。

五、AQL 的 5 大最佳实践

1. 合理使用 LET 命名子查询

将复杂子查询用 LET 命名，提高可读性与复用性：

请点击输入图片描述（最多18字）

2. 优先使用图遍历而非多次 JOIN

AQL 的图遍历语法比多次 JOIN 更清晰、性能更好：

请点击输入图片描述（最多18字）

3. 善用 FILTER 提前过滤

将过滤条件放在数据访问前，减少不必要的数据传输：

请点击输入图片描述（最多18字）

4. 使用 LIMIT 限制返回量

在探索性查询中使用 LIMIT 限制返回量，避免性能问题：

请点击输入图片描述（最多18字）

5. 利用索引优化查询

为高频查询字段创建索引，显著提升性能：

请点击输入图片描述（最多18字）

‍

六、AQL 适合谁用？

适合的场景

知识图谱 + RAG 检索增强生成：图遍历定位实体，向量检索找相关内容

社交网络分析：图遍历 + 文档检索用户画像

电商推荐系统：图遍历用户行为 + 文档检索商品信息 + 向量检索相似商品

物联网数据管理：图遍历设备关系 + 文档存储设备属性 + 向量检索异常模式

欺诈检测：图遍历交易关系 + 文档存储用户信息 + 向量检索异常模式

不适合的场景

纯 OLTP 关系型业务：传统 SQL 数据库更成熟

超大规模图分析（百亿节点）：专用图数据库如 Neo4j 更专业

纯文档存储 + 简单查询：MongoDB 更轻量

结语

AQL 的核心价值，在于用 一套统一的查询语言解决 多模型数据查询的难题。对于需要同时处理图关系、文档数据、向量检索的应用场景，AQL 提供了相比"多数据库组合"更简洁、更高效、更易维护的解决方案。

无论是构建 RAG 应用、社交网络分析、电商推荐系统，还是物联网数据管理，AQL 都能帮助开发者用更少的代码、更高的性能完成复杂查询。

行动建议：访问 ArangoDB 官网（arangodb.com），下载 ArangoDB 并尝试用 AQL 写一条联合查询，体验多模型数据库的优雅。