Хотите быстро развернуть полнофункциональный ИИ-агент? Не начинайте с нуля — используйте готовую инфраструктуру, в которой контекст, память и логика рассуждений согласованы с вашим текущим стеком. Neo4j создала обширную библиотеку документированных и работающих интеграций для тех фреймворков и платформ агентов, на которых вы уже разрабатываете: AWS, Google, Microsoft, Vercel, Salesforce и других. Благодаря руководствам по архитектуре, настройке безопасности и готовому к запуску коду вы сможете заставить своих агентов использовать единый уровень знаний.
Агент ровно настолько хорош, насколько эффективны его возможности извлечения информации, запоминания и получения контекста из инструментов, памяти или других агентов в рамках рабочего процесса. Если ошибиться на этих этапах, остальная часть агентского воркфлоу потеряет смысл, как бы хорошо она ни была построена. Каждая команда, создающая агента, самостоятельно решает одни и те же задачи: как подружить граф знаний с LangGraph, AWS Strands или Salesforce Agentforce и как сделать так, чтобы память агента сохранялась после завершения одной сессии и использовалась совместно в более крупной агентской системе?
Мы уже продумали, как платформы, фреймворки и API сочетаются друг с другом, чтобы вам не приходилось делать это самостоятельно. Они опубликованы в виде Neo4j Labs integrations, поэтому вы получаете документированные паттерны, рабочий код и архитектурные рекомендации для подключения ваших агентов к тому же графу, к которому они могут делать запросы, на основе которого могут действовать и который могут использовать для запоминания на любой выбранной вами платформе.
Вопрос, который мы постоянно слышали
Мы постоянно слышали разные вариации одного и того же вопроса, менялось лишь название фреймворка.
Как подключить к этому Neo4j?
Поэтому мы ответили на него для каждого фреймворка, платформы или инструмента, о которых постоянно спрашивают разработчики. Всё: от нативного доступа к моделям и серверов MCP до фреймворков генеративного ИИ.
Главная цель — предоставить вашим агентам правильную инфраструктуру на базе графов, созданную с использованием уже выбранных вами фреймворков и платформ, чтобы вы тратили время на самого агента, а не на базовую обвязку. ИИ-интеграции Neo4j предоставляют готовые к продакшену графовые решения для ведущих ИИ-фреймворков, наделяя ваших агентов персистентной памятью, контекстным поиском и межплатформенной совместимостью, необходимыми для получения реальной пользы для бизнеса «из коробки».
Что на самом деле нужно агенту от графа
Если отбросить детали конкретного фреймворка, любому агенту от Neo4j требуются две вещи: способ извлекать данные из графа и действовать на их основе, а также способ запоминать и учиться.
Извлечение и действие — это суть фазы действий в цикле агента. Агент использует инструменты для запросов к графу, обновляет его и обращается к API и базам данных, необходимым для выполнения задачи. Память улучшает планирование и рассуждения до совершения действий, а также обновляется и консолидируется на этапе наблюдения. Команды склонны недооценивать компонент памяти. Память — это больше, чем просто модное слово; это архитектурная необходимость для любого агентского воркфлоу с несколькими агентами, которые должны работать синхронно друг с другом, а вам нужно, чтобы эти агенты действовали точно. Память агентов Neo4j добавляет кратковременную, долговременную память и память рассуждений, благодаря чему агент сохраняет контекст на протяжении всего разговора и становится эффективнее по мере работы, а не забывает всё между сессиями. Эта память существует в виде связанного графа типизированных, разрешенных сущностей, а не разрозненных упоминаний: три упоминания одного и того же клиента сводятся в один узел с привязанными к нему фактами напрямую. Память рассуждений идет дальше, сохраняя решения агента вместе с лежащими в их основе доказательствами, поэтому любой агент с доступом к графу может увидеть, почему было принято прошлое решение, и опираться на него, а не начинать всё с чистого листа.
Вы можете подключить это любым способом, подходящим под ваш стек:
- Официальный MCP-сервер Neo4j, работающий локально или на хостинге
- Драйверы Neo4j, если вам нужно нестандартное подключение в кастомных инструментах
- Aura Agents MCP
- Память агентов Neo4j и служба памяти агентов Neo4j (NAMS) специально для уровня памяти.
Несколько наших любимых интеграций для быстрого старта
AWS. AWS Strands и AgentCore с MCP-сервером Neo4j делают ваши ИИ-агенты значительно более эффективными, надежными и способными превращать данные реального времени в долгосрочные, переносимые знания. Задействуя AgentCore Memory (или память агентов Neo4j для прямой визуализации графов), агенты фиксируют контекст, сохраняют прошлые результаты и преобразуют опыт в структурированный доменный интеллект. Хотя это обеспечивает бесшовную передачу задач между агентами, более широким преимуществом является непрерывная эволюция агентов: обучение на том, что работает, сокращение избыточных вычислений и обмен информацией по всей вашей агентской экосистеме.
Руководство по настройке уже готово и пошагово описывает подключение шлюза AWS AgentCore к внешним MCP-серверам Neo4j, размещенным на AWS Fargate.
Google. Интеграции ADK и Gemini Enterprise позволяют агенту анализировать ваш граф перед совершением действий, а Genkit предоставляет прямой путь от средств разработки Google в Neo4j. Например, созданный таким образом агент цепочки поставок может отследить дефицит деталей через сложные связи поставщиков и зависимые заказы, а затем порекомендовать решение, которое оптимизирует всю сеть, а не просто исправит одно сломанное звено.
Вот агент ADK, настроенный с использованием как набора инструментов MCP для запросов к графу, так и инструмента памяти для извлечения информации о прошлых сессиях:
Vercel. Интеграция с AI SDK превращает память агентов Neo4j в провайдера памяти, которого можно внедрить в существующее приложение, а NAMS Chat служит рабочим примером того, как это выглядит от начала и до конца. Это отличный выбор для ориентированного на клиента ассистента, которому необходимо запоминать предпочтения человека и прошлые запросы при разных посещениях, а не только в рамках одного чата.
Вот как MCP-клиент передает свои инструменты напрямую вызову generateText:
Salesforce Agentforce тоже заслуживает упоминания. Три отдельные интеграции связывают агентов Agentforce с графами знаний Neo4j. Нативный MCP-клиент для контекстуализации и многоагентных установок, с действиями External Service Actions и Apex Actions, доступными, когда вам нужен полностью декларативный подход или полный пользовательский контроль, наряду с прямым путем к долговременной памяти через память агентов Neo4j. Это означает, что созданный таким образом агент техподдержки продаж может извлекать историю аккаунта, контекст взаимоотношений и открытые возможности прямо из графа, а затем переносить этот контекст в следующий разговор, не начиная исследование заново.
Каждый поддерживаемый нами фреймворк и каждая платформа представлены на страницах фреймворков и платформ агентов, а код, лежащий в их основе, находится в одном месте: в репозитории на GitHub.
Создано для работы
Каждая интеграция готова к работе в продакшене и включает в себя систему безопасности платформы, понятные шаги развертывания и предварительные тесты. Если вы оцениваете объем работы для создания этого, основная часть задач уже выполнена. А память агентов Neo4j работает почти во всех них, поэтому независимо от того, используете ли вы одну интеграцию или несколько, все агенты используют единое хранилище памяти и вносят в него свой вклад.
Что дальше
Мы на этом не останавливаемся, и CrewAI с Haystack 3.0 следующие на очереди в дорожной карте интеграций, так как Neo4j Agent Memory уже сегодня предоставляет агентам CrewAI общую постоянную память, а в дальнейшем появится та же архитектурная документация и исполняемый код, которые этот релиз дает всем остальным фреймворкам. Поддержка Haystack также уже существует через neo4j-haystack документохранилище, но Haystack 3.0 принес серьезные изменения, включая более компактное ядро, объединенный класс конвейеров и новую систему хуков агентов.
Эта публикация также открывает серию материалов, в которых более подробно рассматриваются упомянутые здесь интеграции. Каждая статья посвящена одному фреймворку или платформе из этого списка и подробно описывает реализацию, конкретные точки принятия решений, сравнение MCP и драйверов, самоуправляемую память и NAMS, а также компромиссы, связанные с каждым выбором, гораздо подробнее, чем это возможно в рамках обзорного поста.
Готовы начать?
- Посмотрите репозиторий neo4j-agent-integrations, найдите фреймворк или платформу, соответствующие вашему стеку, и начните с готового к работе кода.
- Ознакомьтесь с документацией Agent Platform: полные архитектурные рекомендации, настройка безопасности и детали интеграции для выбранного вами варианта.
- Задайте вопрос сообществу: столкнулись с чем-то неожиданным? Форум сообщества Neo4j — отличное место для начала.
