标签：knowledge-graph
-
重构AI时代的上下文引擎：如何让AI Agent理解组织背景与隐性知识
📝
🎙️ AI Engineer
📄 本文基于Unblocked创始人Peter Werry的演讲，深入探讨了在AI Agent时代，为什么简单的代码库检索或超长上下文窗口无法解决AI的认知瓶颈。作者提出了“上下文引擎”（Context Engine）的概念，通过整合Slack讨论、PR历史、架构设计及团队社交图谱，帮助AI Agent掌握“冰山之下”的隐性知识，显著降低Token消耗并提升任务执行效率。 -
CrabRAG：为什么智能体需要图记忆而非更多 Token
📝
🎙️ AI Engineer
📄 Neo4j 的 Steven Chin 阐述了 AI 智能体在记忆和工具调用上面临的瓶颈。通过对比传统的 Markdown 文件和向量数据库，他展示了结合向量检索与图遍历的 Graph RAG 架构如何为智能体提供更精确、可解释且可审计的长期记忆，并通过家庭实验室数字化双胞胎的实战 Demo 证明了图谱在复杂多跳查询和安全检测中的压倒性优势。 -
“你的护城河是数据模型”：盖茨基金会基于图谱与 MCP 的 Agent 检索实战
📝
🎙️ AI Engineer
📄 本文基于盖茨基金会 Mike Phipps 的演讲，探讨在 AI 时代企业如何通过构建战略情报平台（SIP），打通内部数据孤岛并提供 Agent 语义检索。文章指出，企业真正的护城河是内部沉淀的默会知识与独特的数据模型，并分享了基于 Neo4j 图谱的多层结构设计、MCP 协议接入及评估反馈的实战经验。 -
Neo4j CEO Emil Eifrem 谈图数据库、AI与知识转化
📝
🎙️ Latent Space
📄 Neo4j CEO Emil Eifrem 在访谈中深入探讨了图数据库在现代AI应用中的核心作用，特别是如何将数据转化为知识。他阐述了图数据库在高准确性、开发者生产力及可解释性方面的优势，并讨论了向量数据库的演变。Eifrem还分享了Neo4j在生命科学、金融等领域的AI驱动客户案例，并提出了代理（agent）数据源的“四象限”模型：操作型数据存储、云数据仓库、代理记忆和语境图。他强调了语境图在捕捉组织机构知识方面的价值，以及初创公司和大型企业在采用Neo4j时面临的不同挑战与实践。 -
Grapher：将 Karpathy 知识库工作流图谱化，为 AI 编程助手注入结构化认知层
📝
🎙️ AI超元域
📄 本文深度解析了受 Andrej Karpathy 灵感启发的开源项目 Grapher。该项目将扁平的 Wiki 知识库进化为多维知识图谱，通过 AST 解析与语义提取双通道技术，为 Cloud Code 等 AI 编程助手提供持久化的结构化上下文，显著提升了大型代码库的理解效率并大幅节省 Token 消耗。 -
超越 RAG：Super Memory 创始人谈现代 AI 记忆架构与 OpenClaude 的局限
📝
🎙️ Latent Space
📄 Super Memory 创始人 Dhravya Shah 深入解析了 AI 记忆系统的演进。他指出 OpenClaude 等工具依赖静态 Markdown 文件和工具调用的局限性，并介绍了如何通过知识图谱、时间推理和用户画像构建“挂钩式”上下文基础设施，同时分享了在 Cloudflare 上以极低成本运行大规模系统的工程实践。