以下将从业务和技术两个角度说明图数据库的发展状况。
从业务角度，最开始的时候图的应用主要集中在参考数据领域，比如说知识图谱、产品图谱等 各种各样的知识图谱。这种基于一些事实关系的数据是非常典型的相对静态数据，数据量较小，随 着业务的发展，业务需要增加基于交易数据的维度进行分析，交易数据的数据量比较大，且动态增 加，所以这个时候对图数据库的数据处理能力、横向扩展能力的要求也会越来越高；再往后，更加 成熟的图应用就不仅局限在静态的关系数据和交易数据，还会增加各种各样的事件和行为数据的分 析，事件和行为数据的增长量是井喷式的，通常会形成 TB 级、PB 级的海量数据。在图应用成熟 度这个发展历程中，先是管理企业的或者说是我们自身的核心数据，变成进行交易数据分析，最后 升级为进行事件和行为的分析，随着这样的图应用的成熟度发展，对底层的图数据库技术的要求也 是在逐步发展的。
从技术角度，图数据库发展至今可分为三个阶段：第一个阶段是在 2007 年左右，该阶段的特 点是部署简单且底层原生存储，原生图存储指同时满足原生图存储（native graph storage）和原生图处理（native graph processing）两个要素，即使用专门适用于图数据库的存储结构，底层 存储就是以免索引邻接的数据结构存储，在存储层实现免索引邻接，不依赖于第三方的存储组件， 如 Neo4j。
随着 2013 年左右，大数据时代的到来，渐渐的就无法承载大量的数据了，因此 graph2.0 时代应运而生，该时代以分布式图数据库为代表，使用非原生图存储，即底层使用非图的存储结构， 在处理层近似实现免索引邻接，依赖于第三方的存储组件，如 RocksDB、HBASE 等。该阶段的 图数据库扩展性好，但因为非原生的架构导致查询性能，尤其是深链查询性能不高。且该阶段产品 的图计算主要依赖于第三方开源计算引擎，如 Spark GraphX，图数据库本身不能提供图计算能力， 在计算的时候需要通过 ETL 将全量数据加载到内存中，在内存中模拟图结构进行计算，当底层数 据发生变化时，需要重新通过 ETL 加载全量数据到内存，这种架构导致产品使用的局限性，只适 用于 T+1 的离线分析场景，无法满足业务对实时计算的要求，如 JanusGraph。
第三代图数据库 采用分布式+原生的架构，兼顾第一代图数据库的原生架构和第二代图数据库的分布式架构。即满 足业务的快速的查询能力，又兼顾水平扩展能力，同时能够智能化地辅助商业决策，如 Galaxybase、 Tigergraph。
