Cypher
PulseAugur coverage of Cypher — every cluster mentioning Cypher across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
NexusOps will release an open-source version of its AI incident commander system within 6 months
The recent announcement of NexusOps using FalkorDB and Cypher for incident management, coupled with the trend of companies open-sourcing components of their AI infrastructure, suggests a potential move towards broader adoption. Releasing an open-source version could foster community development and wider integration.
GraphRAG implementations will shift towards hybrid deterministic/LLM approaches to mitigate cost and latency
The evidence points to a significant 'token burn paradox' in naive GraphRAG implementations where LLMs are used for real-time graph traversal, leading to prohibitive costs and latency. Future development is likely to focus on hybrid models that separate deterministic graph queries from LLM-based synthesis to address these issues.
FalkorDB is emerging as a key enabler for advanced AI agent memory and context management
Multiple recent clusters highlight FalkorDB's role in enabling sophisticated AI agent capabilities. NexusOps uses it for topological context in incident management, and the Crew Memory Graph project leverages it for persistent, layered memory. This indicates a pattern of FalkorDB being chosen for applications requiring robust, contextualized AI agent interactions.
-
Graphite 为 LLM 提供可查询代码库上下文
Graphite 是一款开源工具,旨在为大型语言模型 (LLM) 提供可查询的代码库上下文。它使用 Cypher 公开程序图,使编码代理能够分析代码结构、跟踪跨方法的数值以及识别配置密钥的读取位置。该工具支持多种编程语言和项目类型,包括 JVM 构件、已编译的 JavaScript/TypeScript 以及 Swift/Xcode 项目。
-
新的VeriCypher框架改进了知识图的LLM生成的Cypher查询
研究人员开发了VeriCypher,一个新颖的框架,旨在提高大型语言模型(LLMs)为知识图问答生成Cypher查询的准确性。该系统通过引入命名实体验证机制,解决了处理标记属性图(LPGs)的挑战。VeriCypher通过将生成的组件与目标图和模式进行比对来迭代地优化查询,纠正不匹配之处,以提高答案的正确性和查询的鲁棒性。
-
意图优先的Cypher生成为Neo4j带来希望
本文评估了为Neo4j等图数据库生成Cypher查询的意图优先方法。该系统从用户输入中提取结构化意图,然后根据本体进行验证,并通过确定性管道编译成Cypher。评估发现,静态本体验证在大规模模式下会失败,但动态本体子集划分可显著提高准确性并减少提示令牌。此外,执行反馈可以在不损害治理的情况下修复返回空结果的查询,并且自适应资源分配可降低运营成本。
-
Ontographia:LLM提取结构化意图,而非Neo4j的Cypher查询
本文介绍了Ontographia,一种查询Neo4j等图数据库的新方法。Ontographia不直接让大型语言模型(LLM)编写Cypher查询,而是利用LLM根据用户问题生成结构化的“意图”。然后,一个确定性管道会根据数据库的本体(ontology)验证此意图,并将其编译成安全且可审计的Cypher查询。该方法旨在通过将LLM的角色分离为意图提取,并通过验证过程确保查询的完整性,来克服直接LLM查询生成和僵化模板系统的局限性。
-
AI 视频编辑器 Moovi 在 3 天内建成,使用 FalkorDB 图进行决策跟踪
四名开发人员 Ishaan、Krishna、Srujana Medithi 和另一位研究人员仅用三天时间就构建了一个名为 Moovi 的 AI 视频编辑器。Moovi 接收原始视频片段,自动生成带有剪辑、字幕、声音和效果的成品竖屏视频。其核心创新在于使用 FalkorDB 作为图数据库来存储每一个决策及其原因,允许用户查询为何做出特定编辑。该系统采用了一组专业代理,包括编辑、研究员、撰稿人和音效设计师,他们通过基于图的任务板进行协作。
-
欺诈代理 LedgerLens 使用 FalkorDB 图进行记忆,绕过了向量存储
一种新的欺诈检测代理 LedgerLens 被开发出来,它不使用传统的向量存储或 Cypher 查询,而是依赖 FalkorDB 图数据库进行记忆和上下文。该代理可以通过直接查询图数据库来回忆过去的欺诈案件并识别重复模式,该图数据库还存储合规策略。该系统强制执行严格的规则,包括阻止 LLM 编写自己的查询,并确保所有答案都声明其证据,从而保持可审计性和合规性。
-
NexusOps 使用 FalkorDB 为 AI 代理提供事件管理的拓扑上下文
NexusOps 是一个新开发的自主事件指挥系统,使用 FalkorDB 构建,旨在为 AI 代理提供拓扑上下文以管理生产系统中断。它采用多图架构和类型化的 Cypher 图工具来连接微服务、事件历史和工程师信息。该系统使用由四个专业代理组成的集群来分类警报、调查根本原因、查找修复手册并协调沟通,而 FalkorDB 的低延迟图操作可实现毫秒级的查询响应。
-
Qwen3.5-122B 模型为 Mac Studio 上的家庭财务 AI 提供支持
一位开发者详细介绍了如何将 Qwen3.5-122B 模型集成到名为 Gharasathi 的个人家庭财务分析工具中,并在 Mac Studio 上运行。该设置利用 llama.cpp 直接控制模型参数和上下文大小,并使用 Nix 和 launchd 来确保稳定性。该模型有两个主要功能:一个用于快速查询和工具集成的聊天界面,以及一个更耗时的隔夜分析器,用于处理财务数据、生成事实包并核查其自身的输出来确保准确性。
-
AI代理使用图数据库实现持久化记忆,绕过提示限制
一种新的多代理AI系统方法已被开发出来,它不再通过提示传递上下文,而是利用图数据库作为记忆。这种方法在基于FalkorDB构建的Crew Memory Graph项目中得到演示,使代理能够跨会话维护状态和共享知识。该系统将记忆组织成情景、语义和程序层,使代理能够在不直接传递上下文的情况下访问和处理先前会话中学到的信息。
-
GraphRAG的Token消耗悖论:LLM推高成本,减慢检索速度
一种名为GraphRAG的新方法旨在通过将向量搜索与知识图谱相结合来改进LLM的知识检索。然而,一种常见的实现陷阱涉及使用LLM进行实时图遍历,导致过度的Token消耗和高延迟。这种天真的方法会将成本增加1200%以上,响应时间延长至18秒,使其不适用于生产环境。一种提出的混合解决方案将确定性图查询与基于LLM的合成分离开来,从而实现更快、更具成本效益的检索。
-
图神经网络与图数据库集成,实现更快的训练和推理
研究人员探索了图神经网络(GNN)与图数据库的集成,这是一种处理大型图数据的新方法。该研究表明,图数据库可以直接执行GNN训练和推理任务,包括采样和特征检索。优化显示,训练速度显著加快,大约快2.5倍,同时不影响准确性。此外,数据库内推理比将图加载到RAM的传统方法快10倍以上,且没有额外的内存开销。
-
新的基准和方法增强了AI代码生成评估
两篇新研究论文介绍了用于评估和改进程序生成任务中AI模型的新颖方法。第一篇论文SWEPatchTest提出了一个基准,用于评估编码代理修复软件问题的能力,揭示了当前评估方法的重大局限性。第二篇论文HERO提出了一种技术,该技术利用执行反馈来优化提示并在测试时改进生成的代码,从而提高了在text-to-SQL和text-to-Python基准上的性能。
-
图数据库赋能更快的GNN训练与推理
研究人员探索了使用图数据库进行图神经网络(GNN)的训练与推理,超越了传统的内存存储。他们的工作表明,图数据库可以使用Cypher等查询语言直接执行GNN的采样、特征检索甚至完整的正向传播。这种方法提供了显著的性能提升,训练速度约提高2.5倍,推理速度比传统方法快10倍以上,且没有额外的内存开销。
-
金融领域可解释的 GraphRAG:知识图谱增强 LLM 推理能力
一位 Reddit 用户分享了他们为金融咨询用例构建可解释 GraphRAG 系统的经验,解决了标准 RAG 模型在提供推理链方面的局限性。该解决方案涉及使用知识图谱作为事实来源,其中实体和关系被映射到节点和边,从而能够进行超越简单向量搜索的复杂查询。定于 9 月 19 日举行的研讨会将深入探讨如何使用 Neo4j、Cypher 和 LLM 代理等工具,并以金融文件作为数据集来构建此类系统。
-
AI代理因重复的上下文处理而产生高昂成本,而非仅仅是数据量
作者强调了当前AI代理交互中显著的成本效率低下问题,尤其是在使用Claude等模型时。问题源于“重复”——代理需要在不同工具或会话中重新处理相同的信息,导致成本翻倍和token浪费。这与“数据量”(每次交互发送的数据量)形成对比。提出的解决方案是使用图数据库作为中央“记忆”或MCP(消息传递通信)服务器,允许Claude和Cursor等不同工具访问共享上下文,而不是复制和重新处理。这种方法旨在通过使上下文持久化并跨应用程序可访问来降低…
-
新框架诊断Graph-RAG系统中的数据完整性问题
一篇新研究论文介绍了一个用于云原生Graph-RAG系统的诊断框架,解决了数据完整性的关键问题。提出的三层系统将错误归因于推理损失、知识图谱缺陷和Cypher生成错误。在时空生态知识图谱上进行的实验表明,数据完整性问题(而非算法推理)显著降低了系统准确性,由于结构缺陷,准确性从0.93降至0.39。该研究还发现了一种“参数化知识掩蔽效应”(PKME),其中LLM会补偿检索路径的失败,可能掩盖数据劣化。
-
类型安全的图查询:连接 Neo4j 和 TypeScript 以实现零幻觉架构
本指南探讨了如何使用 TypeScript 和 Neo4j 构建类型安全的图查询,以克服 LLM 与传统数据库之间的阻抗失配。它提倡使用符号知识图谱而非纯粹的向量空间,以防止数据密集型应用中的幻觉和语义漂移。该方法通过利用 TypeScript 的类型系统将原始 Cypher 查询转换为编译时保证的操作,类似于 OpenAPI 规范在 Web 开发中确保类型安全的方式。
-
关系核心图分析挑战节点-边模型
研究人员开发了 ClickGraph 和 DeltaGraph 系统,它们使用关系模型而非传统的节点-边结构来查询图数据。这些系统将 Cypher 等图查询语言直接翻译成 SQL,使其能够在 ClickHouse 和 Databricks 等现有关系数据库上运行。该方法声称在分析查询方面优于原生图引擎,并且扩展性更强,挑战了长期以来认为连接数据需要专用图数据库的假设。
-
NeuroGraph框架通过AI图推理增强网络威胁情报
研究人员开发了NeuroGraph,一个新颖的神经符号框架,旨在增强先进制造中的网络威胁情报(CTI)分析。该框架集成了本体感知符号查询生成与知识图谱检索和神经语言生成。它利用双大型语言模型架构,将自然语言问题转化为可执行的Cypher查询,然后严格根据检索到的图谱证据生成答案,旨在减少幻觉并提高推理准确性。
-
AI工程利用图进行智能体规划和记忆
图在AI工程中发挥了重要作用,解决了知识表示、检索和智能体控制流等问题。文章详细介绍了知识图谱、Neo4j等图数据库以及图计算如何提供结构和确定性答案。文章认为,下一个前沿是利用图来表示智能体自身的计划或推理过程,使其在单次会话之外可审查和持久化。作者提出了智能体图规范(AGS)作为解决方案,该规范已在Loro和MagAgent等工具中实现。