Neo4j presenterade idag Neo4j Context Engine, en produkt som är utformad för att ge AI-agenter ett delat, återanvändbart kunskapslager för att kunna resonera kring företagsdata. Problemet den riktar in sig på är ett problem som de flesta agentimplementeringar stöter på tidigt: en agent vet inte vad "kund", "konto", "leverantör" eller "risk" betyder inom ett visst företag, eftersom den betydelsen är spridd över databaser, applikationer, dokumentation och enskilda AI-implementeringar. Context Engine är nu tillgänglig för företag, och Neo4j tar emot applikationer för designpartners.
”Att modellera relationer, och kunna visa exakt varför och hur dessa relationer existerar, är absolut nödvändigt för att lösa problemet med kontext för AI. Alla andra alternativ är ett plåster på problemet som brister i takt med att AI-agenter växer i komplexitet och krav på systemåtkomst”, säger Sudhir Hasbe, teknikchef och produktchef på Neo4j.
6-lagers affärsontologi
Kontextmotorn kretsar kring en fördefinierad grafmodell med 6 lager som kartlägger en organisation, dess affärsprocesser, dess data och dess AI-tillgångar i Neo4j. Neo4j byggde modellen från mönster över hundratals företagskundimplementeringar. Ontologin kopplar fysiska datakällor direkt till affärslogik, så att AI och andra system kan fatta beslut med det omgivande sammanhanget kopplat, och den tjänar både designtidsarkitekturarbete och körtidsexekvering.
Komponenten Context Build and Runtime bygger ontologin från befintliga datakällor som Databricks och Snowflake, och exponerar den för AI-orkestreringslager som driver processstyrda agenter eller konversationsanalysagenter. Team skapar och driver det semantiska lagret genom headless execution, kommandoradsverktyg eller Python-paket. Den fungerar över befintliga dataplattformar, datakataloger och företagslagringssystem, har inbyggd ändringshantering och använder GraphRAG-hämtare för att hämta kontext ur det semantiska lagret.
Kontextstudiostyrning och permanent minneslager
Context Studio är kontrollplanet för ontologin. Det ger team en plats att hantera och övervaka miljön, en visuell verktygsbyggare för affärsontologin och de arbetsflöden som körs på den, samt konfigurationsverktyg för AI-agenter, Model Context Protocol (MCP)-servrar och utvecklarverktyg.
Kontextminne är ett grafbaserat minneslager som ger agenter permanent, strukturerat minne över korttids-, långtids- och resonemangsminne, tillsammans med färdighetsdestillation. Det loggar agenters resonemang och operativa vägar som en permanent registrering av företagets erfarenhet, kör grafalgoritmer över tidigare interaktioner för att kondensera upprepade händelser till återanvändbar kunskap och matar tillbaka det den lär sig till kärnsystemet för att förbättra agenters resonemang och noggrannhet över tid.
Neo4j ramar in lanseringen kring en tredje konsument av företagsdata. Människor har förstått relationerna mellan data intuitivt och institutionellt, och applikationer har gjort detsamma genom hårdkodad logik. AI-agenter är den tredje konsumenten, och företagets argument är att det inte längre räcker att härleda relationer i takt med att agentanvändningsfall blir mer komplexa; relationerna måste representeras explicit, vilket är vad en graf gör inbyggt.
Amazon