Neo4j
PulseAugur coverage of Neo4j — every cluster mentioning Neo4j across labs, papers, and developer communities, ranked by signal.
- 2026-06-09 partnership Neo4j acquires GraphAware to enhance its government and enterprise data solutions. 来源
9 天有情绪数据
-
新工具简化了 GraphRAG 应用程序的开发和部署
一款名为 MCP tag 的新工具已被开发出来，以简化 GraphRAG 应用程序的创建和部署。这款使用 Python 和 Docker 构建的命令行界面 (CLI) 工具集成了 LangChain 和 LlamaIndex 等框架。它利用 GPT-4 和 Neo4j 等模型，使用户能在一天内构建和部署功能性的 GraphRAG 应用程序。
-
新的RAG系统增强了对意大利议会记录的访问
研究人员开发了ParliamentRAG，一个旨在导航意大利议会诉讼的检索增强生成系统。该系统通过采用依赖主题的权威模型来解决发言者主导和主题专业知识等挑战。它综合了意大利众议院内已识别专家的观点，提供逐字引述以确保准确性。评估表明，与Google NotebookLM相比，ParliamentRAG在政治派别覆盖率和引述忠实度方面表现出色。
-
Ragleap推出RAG库，专注于狭窄范围
Ragleap已推出其RAG库，强调刻意专注于狭窄范围而非广泛的功能对等。该库优先考虑检索增强生成，在其初始版本中明确排除了代理工具调用和多步编排，以确保核心功能得到良好执行。主要功能包括混合密集和稀疏检索、仅CPU交叉编码器重排序、对多个向量后端的支持以及对各种文件格式和媒体类型的强大摄取能力。
-
X-KGRank框架利用知识图谱和LLM增强推荐系统
研究人员开发了X-KGRank，一个结合知识图谱检索和大型语言模型（LLM）以改进推荐系统的新框架。该方法通过将LLM的解释 grounding 在用户历史和结构化数据中，解决了现有方法的局限性，从而减少了幻觉。该框架构建了一个异构知识图谱，并采用LightGCN ranker，在MovieLens-1M数据集上的表现优于基线方法。
-
图工程增强 AI 记忆，超越大型模型
图工程正成为 AI 领域的一门关键学科，它关注 AI 如何理解数据点之间的关系，而不仅仅是处理文本。与依赖词语语义相似性的传统检索增强生成（RAG）不同，图工程利用节点（事物）和边（关系）来表示复杂连接，类似于 Instagram 或 Google Maps 等平台的功能。这种方法对于大型语言模型（LLM）回答涉及多跳遍历和复杂网络的复杂问题至关重要，通过直接存储和查询连接来有效增强 AI 的记忆和推理能力。
-
本体论作为Agentic AI推理的基础获得关注
本体论作为agentic AI系统的基础要素的重要性正在重新显现。加州大学伯克利分校和Neo4j的研究人员正在强调，这些结构化、逻辑框架如何能显著增强AI的推理能力。
-
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。
-
新的 GraphRAG 架构支持对商业注册进行可审计分析
研究人员开发了一种新颖的 Agentic 图检索增强生成 (GraphRAG) 架构，用于分析公共商业注册信息。该系统将数百万条分散的记录转换为 Neo4j 知识图谱，整合了结构化数据、来自非结构化文本的 LLM 辅助实体提取以及确定性的身份解析层。分析代理使用意图路由和受限工具在该图谱上运行，与传统的扁平检索方法相比，显著提高了事实正确性和相关性。该系统还提供了一个探索性仪表板，用于可视化每个生成响应背后的图谱证据和执行跟踪，从而实…
-
新框架简化了领域专家的数据质量分析
研究人员开发了一个名为质量模式模型（QPM）的新框架，以帮助领域专家定义数据质量分析，而无需深厚的技术专长。QPM 使用独立于技术的查询模板，简化了该过程，并避免了为不同数据库技术重新定义分析的需要。概念验证实现证明了 QPM 在 XML、RDF 和 Neo4j 数据库上的表达能力和可用性，表明领域专家可以独立创建基于模板的质量分析。
-
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。
-
RAG 管道无法处理多跳问题；图谱内存提供解决方案
一个仅使用向量数据库的常见检索增强生成（RAG）管道在处理需要跨多个信息片段进行推理的复杂问题时遇到困难。这是因为向量搜索在语义相似性方面表现出色，但缺乏理解数据点之间关系的能力。基于图谱的内存将知识存储为节点和边，通过实现结构化关系遍历来提供解决方案，从而提高多跳查询的准确性。结合向量搜索进行广泛检索和图谱遍历进行结构化推理的混合方法被提出，作为更强大的 AI 系统的实用解决方案。
-
DisruptIQ使用DistilBERT和Neo4j预测供应链风险
本文详细介绍了DisruptIQ的创建过程，这是一个旨在预测供应链中断的系统。它利用了经过微调的DistilBERT模型进行自然语言处理，Neo4j进行图数据库功能，以及Apache软件基金会的工具进行数据处理。该系统旨在通过分析原始新闻数据，在15秒内识别潜在风险。
-
Graphify 设置指南：兼容性和性能洞察
文章讨论了 Graphify（一种用于图数据的工具）的设置过程，重点介绍了它与各种数据库系统的兼容性和局限性。文章详细介绍了作者将 Graphify 与 Neo4j、AWS 以及 MongoDB Atlas、ArangoDB 和 TigerGraph 等其他流行数据库集成的经验。作者还触及了成本问题以及 Graphify 在不同环境下的性能，包括其与 Docker 和 Kubernetes 的使用。
-
代码知识图谱：企业规模的需求远不止语法树
本文评估了用于企业用途的开源代码知识图谱栈，认为简单的语法树对于大型、复杂的代码库来说是不够的。文章介绍了五个关键的评估维度：分析深度（超越语法到语义和行为）、各种构件类型的覆盖范围、跨语言遍历的多语言规模、通过增量更新保持数据新鲜度，以及通过AI原生接口进行查询的能力。分析批评了Joern和CodeQL等工具，指出它们在安全分析方面的优势，但对于更广泛的企业代码智能而言存在局限性。
-
RDF/OWL 与属性图：为 AI Agent 选择正确的语义架构
本文探讨了架构师在为 Agentic AI 系统选择 RDF/OWL 和属性图之间的决策过程。文章认为，核心问题不在于哪种技术更优越，而在于所要解决的语义问题的性质。属性图适用于具有显式关系和遍历需求的单系统 Agent，而 RDF/OWL 对于需要共享含义和可审计 Agent 流程的跨平台、受监管的工作流至关重要。
-
使用 Docker 在本地运行 Neo4j MCP 服务器：30 分钟指南
本指南提供了使用 Docker 在本地运行 Neo4j 官方 MCP 服务器的说明，无需 GitHub Codespaces。设置涉及三个组件：类似 VS Code 的客户端、充当桥梁的 neo4j-mcp 服务器以及 Neo4j 数据库本身。该过程需要 Docker Desktop 和支持 MCP 的 VS Code，通过创建一个 docker-compose.yml 文件来协调 Neo4j 数据库和 MCP 服务器，大约 30 分钟即可完成。
-
新的知识图谱将软件漏洞与攻击行为关联
研究人员开发了一个新的知识图谱 CVE-TTP KG，旨在将软件漏洞与攻击者的策略和技术联系起来。该系统通过连接来自 CVE 和 NVD 等漏洞数据库的信息与 MITRE ATT&CK 框架的行为模式，来改进威胁解读。采用了包括 CySecBERT 在内的基于 Transformer 的模型进行行为识别，在技术和策略方面均取得了较高的 F1 分数。由此产生的 Cyber Threat Knowledge Graph 构建在 Neo4j…
-
新方法增强了用于AI问答的知识图谱检索
研究人员开发了一种新的查询感知传播激活方法，用于知识图谱上的多跳检索，旨在改进检索增强生成系统。该方法通过使用语义门来增强遍历，该语义门根据候选实体描述与问题的相似度来对其进行加权。从种子映射到上下文组装的整个检索过程，在Neo4j数据库内作为单个Cypher查询执行，防止图谱离开其原生环境。该方法在MuSiQue等基准测试中表现出具有竞争力的性能，与现有的先进系统相当，同时显著降低了检索延迟。
-
知识图谱将LLM多跳准确率提升至80%
一位开发者演示了如何将业务数据转化为知识图谱，显著提高了LLM处理复杂、多跳问题的准确性。通过使用Neo4j来表示实体和关系，LLM在需要连接多个事实的问题上的准确率从0%跃升至80%。这种方法将LLM与特定的业务现实联系起来，通过直接查询图谱而不是依赖模型的通用知识，确保了准确、可解释且高效的答案。
-
YouTube发布Neo4j安装教程
一个关于在Docker容器内安装Neo4j的教程已在YouTube上发布。创作者指出，Neo4j是人工智能领域广泛使用的工具，并且配套的图片是使用AI生成的。