Neo4j 今天發表了 Neo4j Context Engine，這款產品旨在為 AI 代理提供一個共享的、可重複使用的知識層，以便對企業資料進行推理。它解決的問題是大多數代理部署初期都會遇到的難題：代理無法理解特定公司內部「客戶」、「帳戶」、「供應商」或「風險」的含義，因為這些概念分散在資料庫、應用程式、文件和個別 AI 實作中。 Context Engine 現已對企業開放，Neo4j 也正在招募設計合作夥伴。
Neo4j 的技術總裁兼首席產品長 Sudhir Hasbe 表示：“對關係進行建模，並能夠準確地展示這些關係存在的原因和方式，對於解決人工智能的上下文問題至關重要。所有其他方法都只是權宜之計，隨著人工智能代理的複雜性和系統訪問需求的增長，這些方法都會失效。”
六層業務本體
情境引擎的核心是一個預先定義的六層圖模型，它將組織、其業務流程、資料和 AI 資產對應到 Neo4j 中。 Neo4j 基於數百個企業客戶部署的模式建構了該模型。這個本體將實體資料來源直接連接到業務邏輯，使 AI 和其他系統能夠結合情境做出決策，並且它既適用於設計時架構工作，也適用於執行時間執行。
上下文建構和運行時元件利用現有資料來源（例如 Databricks 和 Snowflake）來建立本體，並將其暴露給 AI 編排層，從而驅動流程引導型代理或對話分析代理。團隊可以透過無頭執行、命令列工具或 Python 套件來建立和運行語義層。它可跨現有資料平台、資料目錄和企業儲存系統運行，內建變更管理功能，並使用 GraphRAG 檢索器從語義層提取上下文資訊。
上下文工作室治理與持久記憶體層
Context Studio 是本體的控制平台。它為團隊提供了一個管理和監控環境的統一平台，一個用於建立業務本體及其運行的工作流程的視覺化工具，以及用於設定 AI 代理、模型上下文協定 (MCP) 伺服器和開發人員工具的工具。
情境記憶是一個基於圖的原生記憶層，它為智能體提供持久的結構化記憶，涵蓋短期記憶、長期記憶和推理記憶，並支持技能提煉。它將智能體的推理和操作路徑記錄為企業經驗的永久記錄，對過往交互運行圖演算法，將重複事件提煉成可重用的知識，並將學習到的知識反饋給核心系統，從而隨著時間的推移不斷提升智能體的推理能力和準確性。
Neo4j 將此次發布定位為企業數據的第三大消費者。人類憑藉直覺和製度經驗理解了資料之間的關係，應用程式也透過硬編碼邏輯實現了這一點。人工智慧代理是第三大消費者，Neo4j 認為，隨著代理用例日益複雜，僅僅推斷關係已遠遠不夠；這些關係必須被明確地表示出來，而這正是圖的原生功能。
Amazon