Architecting a trusted agentic platform with graph technologies: A Yahoo case study

图形技术支撑雅虎行动系统 | Google Cloud 博客

数据库

使用图形技术构建可信代理平台的架构：雅虎案例研究

2026年6月16日

##### Mikul Bhatt

雅虎工程总监

##### Bei Li

Google Cloud 高级软件工程师

##### 今天试用 Gemini Enterprise Business Edition

工作场所中人工智能的入口

立即试用

随着企业采用代理人工智能，他们需要从反应式智能系统转向主动式行动系统，以确保所构建的代理具备所需的上下文和性能，并且具有监管级别的问责制，其中每一个决策都可以解释和审计。

在 Google Cloud Next ‘26 上，我们讨论了我们的代理数据云如何实现一个行动系统，而雅虎的数字媒体购买平台是这一愿景的有力例证。雅虎与 Google Cloud 合作，使用 Google Data Cloud 图形技术构建了其 Seller Agent 数字媒体购买平台。Seller Agent 将多周的手动流程浓缩为完全受控的实时活动，仅需几秒钟即可执行。最终，这一代理平台为多个行业提供了强大的蓝图，证明了自主系统可以在惊人的速度下运行，同时保持严格的问责性。

“雅虎的使命是成为数字世界的可信向导。与 Google Cloud 合作，我们将这一承诺扩展至广告商：快速、透明、有效且值得信赖的代理媒体购买。” —— 雅虎变现主管 Gabriel DeWitt

在本文中，我们将探讨向代理人工智能的转变，分析雅虎 Seller Agent 架构如何在媒体购买中实现速度和信任，并向您展示如何应用这种基于图形的模式，在您自己的组织中构建可信的行动系统。

案例研究：代理媒体购买

多年来，复杂的高价值工作流程（如高端数字广告活动）需要数周的人工交接、分散的电子表格和手动分析。雅虎认识到代理人工智能可以缩短这一时间线，使代理能够在几秒钟内规划和执行活动。这种从手动执行到自主执行的飞跃，代表了重新夺回运营效率的巨大机会，并确保更多的每一美元都能达到可衡量的结果。

但仅仅将大型语言模型（LLM）放入高风险的工作流程中并不能解决问题；一个试图在没有对实时库存、定价规则和业务约束的确定性理解的情况下进行合同谈判或广告位安排的代理，容易产生幻觉，可能导致灾难性的交易。一个可信的代理平台需要一个明确的、实时的事实来源，确保其基于硬事实行动，而不是统计数据猜测。

此外，速度和事实基础只是问题的一半。一旦 AI 代理开始移动真实预算，它将面临监管机构的审查，监管机构要求立即回答为什么做出特定决策或应用了哪些政策。事后挖掘原始系统日志是自主执行的错误控制界面。现实世界中的行动系统需要直接构建到工作流程中的监管级治理和可审计性，而不是作为事后考虑添加的附加功能。

雅虎的使命一直是成为数字世界中值得信赖的向导。智能媒体购买将这一承诺扩展到那些将预算托付给雅虎的广告商、代理商、发布商和监管机构，他们期望获得真正的问责。问题在于如何以一种可解释、可治理和可审计的方式自动化活动执行。

为了解决这一挑战，雅虎在其卖家代理系统中构建了一个多代理系统，该系统运行在谷歌云上。买家请求通过运行在谷歌Kubernetes引擎（GKE）上的规划监督代理进入，并使用谷歌的代理开发工具包（ADK）进行编排。监督代理将每个请求分解为专门的任务，包括库存发现、受众匹配、预测、价格分析、套餐推荐、治理审查和执行。代理通过开放的Agent2Agent（A2A）协议进行协调，而Gemini企业代理平台则托管用于嵌入、预测和图学习的模型。

但真正的突破——使自主执行既快速又完全透明——是平台的双图基础。该平台由两个专门的图系统构成，职责有意分离：一个知识图，优化用于执行；另一个上下文图，用于记忆和学习。

#### 知识图：将代理扎根于商业现实

由Spanner Graph驱动，雅虎的知识图将自身的变现业务表示为一个互联的操作模型，使每个代理的决策都扎根于商业现实。它将广告产品、投放位置、受众群体、库存、合同和治理控制建模为一等实体和关系。关键的是，策略直接存在于图中，作为版本化的关系，而不是隐藏在应用程序逻辑中。这种设计使系统能够在单一、统一的图遍历中同时评估产品、合同义务、同意要求和法规约束。

该图在智能代理平台中充当语义合同。在活动评估过程中，代理可以在一个查询计划中从初始买家需求导航到合格的受众群体和治理政策。Gemini企业代理平台的嵌入为这些实体增添了语义相似性，而图神经网络则贡献了推断出的关系。最终，这使代理不仅能检索可用的库存，还能确切地了解其相关性，并帮助确保其满足所有治理约束。

雅虎的知识图本体与IAB AdCOM等行业标准一致。

#### 上下文图：创建可审计的记忆

只有在完全透明的情况下，代理规模的执行才是安全的，而这正是上下文图的核心功能。每当卖家代理采取行动时，该确切的操作跨度都会被BigQuery代理分析插件捕获。除了记录原始事件外，系统还使用BigQuery代理分析SDK，利用雅虎的决策追踪本体，将这些证据塑造成类型化、可查询的上下文图，并存储在BigQuery Graph中。

因此，每一个决策点、候选包、策略评估、专家代理的委托以及执行结果都成为了一个证据图谱。由于这个追踪信息以类型化图的形式进行结构化，解释代理的决策过程变得简单，只需进行一次查询即可。审计人员可以立即追踪一个决策，从最初的广告活动简报开始，经过每一个分配的评分和应用的策略。这将自主行为从一个不透明的过程转化为一个完全透明且持续改进的决策记录，有助于确保绝对的责任性。

Yahoo 的上下文图谱本体

从人类到代理规模

为了具体说明架构的实际运作，考虑一个广告活动的运行。传统上，需要数周时间在规划、销售、运营和合规之间进行协调的工作，现在可以通过两个同时进行的过程在几秒钟内完成。

通过知识图谱进行操作。这条流程将预算移动，从买家的请求线性地推进到基于知识图谱的实时广告活动。该流程分为以下四个步骤：

• 提交简报：买家代理通过广告上下文协议（AdCP）提交一个广告活动简报，描述目标受众、预算、地理区域和商业目标。

• 知识检索：卖家代理查询知识图谱，以识别相关的库存、受众、合同可用性、历史表现和管理政策。

• 评估与评分：代理综合评估这些因素，组合出一个媒体购买候选包。预测模型对机会进行评分，同时治理代理独立审查同意、品牌安全和监管限制。

• 审批与执行：该候选包在政策阈值下自动获得批准，或升级以供人工审核。一旦获得批准，媒体购买将被执行并激活。

通过上下文图谱进行审计和学习。在执行流程向前推进的同时，这个并行循环持续地在上下文图谱中捕获系统的推理过程，有助于确保透明度并改进未来的循环。这提供了以下功能：

• 持续捕获：每一个被考虑的候选包、分配的评分、应用的策略以及治理决策都会在上下文图谱中成为一条连接的记录，并与原始的广告活动会话相关联。

• 闭环学习：当交付、归因和结果信号到达时，它们会被重新连接到产生它们的决策中，从而创建用于改进未来建议的训练数据。

• 即时可解释性：如果广告商询问为什么选择了特定的候选包或哪些策略影响了结果，答案会保存在上下文图谱中，并可通过一次查询访问。

结果是一个平台，其中知识、决策、治理、测量和学习协同运作——使自主媒体购买保持可解释、可审计并持续改进。

多个行业的蓝图

人工智能作为单纯顾问的时代正在结束。企业要求的是行动系统——能够执行复杂、多步骤工作流的自主代理。但在受监管的行业，人工智能带来的速度如果无法证明决策是如何做出的，就会变成一种负担。自主执行的主要障碍不再是智能，而是信任。

Yahoo 和 Google Cloud 构建的架构提供了一个广泛适用的蓝图，用于解决这一问题。虽然该架构旨在解决数字媒体购买中的瓶颈问题，但其底层模式同样适用于任何需要管理高风险决策的行业，从金融交易到供应链物流。为了以代理的速度运行，同时仍然保持人类的监督，企业必须采用一种新的架构基准，该基准包括以下几点：

• 以业务现实为基础做出决策：代理不能仅依赖概率模型。它们必须基于一个知识图谱，该图谱确定性地映射出你的业务逻辑、活跃合同和合规规则。

• 构建可审计的记忆：你无法治理你无法追溯的事物。每个代理行为都必须在上下文图中被捕获，从而创建一个不可更改、可查询的记录，明确说明决策为何做出以及哪些替代方案被拒绝。

• 采用开放互操作性：信任需要透明度。通过基于开放协议和溯源标准，行业可以建立一个通用的、可审计的代理行为语言。

随着基础模型逐渐商品化，企业的竞争优势正在发生变化。从长远来看，你的护城河将不再是部署的语言模型，而是你业务运营和治理历史的专有图谱。同样，企业人工智能的未来不仅仅是能够行动的系统，而是能够解释、治理并为这些行动承担责任的系统。

今天就开始

准备好构建你自己的可信行动系统了吗？首先，通过探索 Spanner Graph，将你的代理工作流程扎根于业务现实。接下来，使用 BigQuery Graph 构建一个可审计的记忆，以支持闭环学习和监管级别的可解释性。今天就可以使用 BigQuery Agent Analytics Plugin 和 SDK 开始捕获和分析这些操作轨迹。最后，查阅 Ad Context Protocol，了解支撑 Yahoo 代理平台的开放通信标准。

发布在

• 数据库

• BigQuery

• Spanner

• 客户案例