Cypher
PulseAugur coverage of Cypher — every cluster mentioning Cypher across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
新的基准测试评估自然语言到图查询的翻译
研究人员推出了 Text2GraphQuery-Bench，这是一个新颖的基准测试，旨在评估将自然语言转换为可执行图查询的系统。该基准测试是第一个涵盖主流声明式属性图查询语言的基准测试，包括 Cypher、GQL 和 SQL/PGQ。它包含 34 个数据库和 13 个领域的 267,000 多个问答对，支持适应和扩展到新语言。
-
Claude AI 助力图工程精通 14 步路线图
本文概述了图工程师的 14 步路线图，详细介绍了如何在学习和开发过程中利用 Claude AI 模型。它涵盖了基础概念、实践技能以及各种图数据库和查询语言的使用。该指南旨在将个人从初学者转变为熟练的图架构师。
-
Neo4j Laravel Boost 集成了 AI 编码助手和图数据库
Neo4j 发布了一项名为 Neo4j Laravel Boost 的新集成，该集成将 AI 编码助手连接到实时 Neo4j 数据库。此工具允许 Cursor 或 Claude Code 等 AI 客户端检查 Neo4j 模式、执行 Cypher 查询并访问 Graph Data Science 过程。它还通过将 Laravel 服务容器依赖关系图导出到 Neo4j 来使 AI 助手能够理解应用程序架构。
-
开发者在流行的CodeGraphContext MCP服务器中发现静默API漏洞
一位开发者在CodeGraphContext MCP服务器中发现了一个静默API漏洞。该服务器将代码库索引到图数据库中供AI助手使用。该漏洞发生的原因是HTTP查询端点期望一个名为'cypher_query'的参数，但内部路由函数将其传递为'query'，导致返回一个空的错误消息，HTTP响应码为200，而不是执行查询。开发者通过在路由函数中调整参数名称来修复了此问题。
-
新管道KG2Cypher为企业知识图谱构建自然语言接口
研究人员开发了KG2Cypher，一个以数据为中心的管道，旨在为企业知识图谱创建自然语言接口。该系统从图谱事实生成可执行的Cypher查询，然后使用LLM创建相应的自然语言问题。此过程包括LLM裁判的验证和人工审查，并将生成的数据用于监督微调。KG2Cypher在查询执行和准确性方面显示出显著的改进，尤其是在韩国企业环境中。
-
用于医疗问答的LLM：探索新的推理提示和知识图谱接地
研究人员正在探索改进大型语言模型（LLM）在开放式医疗问答方面的能力。一种方法是使用一种名为CLINICR的思维链（CoT）推理提示，旨在模仿临床推理，并在MEDQA-OPEN等修改后的数据集上表现优于现有的5-shot CoT提示。另一项研究调查了知识图谱（KG）接地的有效性，发现它仅在所需信息超出模型训练数据范围时，特别是对于新颖或私有知识，才能显著提高LLM的准确性，而对已知事实的益处很小。
-
CYGNET 系统验证 AI 生成的数据库 Cypher 查询
研究人员开发了 CYGNET，一个旨在验证和纠正语言模型生成的 Cypher 查询的系统，然后再与 Neo4j 数据库进行交互。这个预执行门可确保结构完整性并标记潜在的昂贵查询计划，从而提高处理知识图的 AI 代理的可靠性。该系统在捕获错误和保持各种基准测试中的生成准确性方面表现出很高的成功率。
-
新的 RAS 方法提高了语言模型 Cypher 查询的准确性
研究人员开发了一种名为反射增强缩放（RAS）的新方法，以提高语言模型生成属性图数据库 Cypher 查询的准确性。RAS 利用查询执行失败的错误消息作为反馈来改进后续尝试，这是一种不同于简单重采样的手法。与独立缩放方法相比，这种方法显著减少了查询执行错误。
-
LLM代理通过约束引导的Chase & Backchase生成图查询
研究人员开发了UniQGen，一个使用大型语言模型代理生成图查询的新框架。该方法扩展了Chase & Backchase算法，以动态提取和优化查询子句，支持Cypher等多种查询语言，超越了典型的RDF/SPARQL。在GraphQ和GrailQA等基准测试上的评估显示，与现有方法相比，准确性和效率有了显著提高。