智能体缺的不是更聪明的模型，而是“懂业务”

一个 AI 智能体在系统里查到账户状态是“2”，它大概率不知道这意味着“暂停待审核”。写这段代码的工程师知道，熟悉业务的老员工也知道——有人把它写在便签上，有人把它放进 BI 报表里。但智能体拿不到这些上下文。

Neo4j 发布的 Context Engine 是 Neo4j Graph Intelligence Platform 的一部分，瞄准的正是这个断层。它想解决的不是“模型会不会推理”，而是“智能体知不知道企业里的词是什么意思、流程怎么走、数据在哪里、哪些能碰”。Neo4j 把这件事称为 agent knowledge problem，并把它形容为“万亿美元级的 AI 瓶颈”：智能体如果不懂组织如何运转，就无法在规模化场景里可靠行动。

这个判断值得认真对待，因为它把讨论从模型能力拉回到了知识工程。

智能体是一种全新的数据消费者

过去几十年，消费数据的主要是两类对象：应用程序和人。数据的含义因此藏在两个地方——代码里，和人的记忆里。应用知道账户状态“2”等于“暂停待审核”，因为这条规则写在代码里；人知道，是因为有经验，因为写过便签，因为在 BI 工具里见过。

智能体两者都没有。它能看到字段，却看不到字段背后的约定。

更麻烦的是，同一家企业的不同部门对同一个词的理解并不一致。“客户”在市场营销部门和在财务部门可能指的不是同一批人。再加上数据分散在多个云、平台和供应商那里，智能体常常连“该去哪里找”都不知道。语义不清、定义冲突、数据碎片化，这三件事叠在一起，构成了智能体落地时最难绕开的障碍。

六层本体：把“懂业务”拆成可建模的结构

Neo4j 的解法是一套相互连接的业务本体，共六层。它把“懂业务”这句听起来很虚的话，拆成了可以逐层定义和治理的结构。

前两层负责“理解”：

• 业务流程与组织层：描述组织如何运转，有哪些规则和流程。
• 领域本体层：定义关键术语和概念，让智能体知道专业词汇的含义。

中间三层负责“连接”：

• 数据产品层：确定哪些信息可以被使用。
• 物理系统层：确定这些信息实际存放在哪里。
• 工具与集成层：确定如何连接过去、以什么方式访问。

最后一层负责“学习”：

• 运行时知识层：让智能体记住过去的决策和行动，并从中积累经验。

这三组能力分别对应理解业务、找到数据、持续学习。把它们放在同一张图里，智能体才有可能既知道“客户”指谁，也知道该去哪个系统取数、取完能做什么、做完之后留下了什么。

三个组件，对应三种能力

Context Engine 由三个核心组件构成，和上面的三种能力一一对应。

Business Ontology for Agents 是企业在 Neo4j 中定义、存储并执行的图模型。它记录业务概念的含义、业务流程如何运作，以及概念与流程之间如何关联。智能体借助它理解问题和任务的性质，包括相当复杂的那一类。

Context Build and Runtime 解决“数据在哪里、能不能用”。它让智能体跨云、跨平台、跨供应商地获取所需信息，并内置治理机制，确保智能体只能访问被授权的数据。检索方式上，它采用 GraphRAG，而不是纯向量检索。Neo4j 声称 GraphRAG 比 vector-only RAG 更准确，也更省钱。

Memory and Learning 负责让智能体越用越熟，这在持续变化的企业环境中尤其关键。短期记忆、长期记忆和推理记忆被放在与业务语义相同的图里，每一次决策以及决策路径都会被记录和存储。这样，智能体的学习材料不是凭空生成的摘要，而是自己走过的路径。

图结构带来的，不只是检索

把关系显式建模，是这套方案和“把文档切块、做向量检索”最根本的区别。关系一旦成为图里的边，智能体就可以沿着边推理，并在需要时说明自己是如何得出答案的。对于企业场景，这种可解释性和可追溯性往往比多回答对一道题更重要。

另一个实际考虑是，企业不必换掉现有的 LLM 和 agent 框架。Context Engine 提供的是上下文与知识层，而不是又一个要迁移过去的开发平台。配套的 Context Studio 则把本体的管理和治理收进一个控制平面，降低长期维护的复杂度。

边界：哪些是已交付的，哪些仍需验证

需要说清楚的是，Context Engine 目前处于 private preview 阶段，企业需要通过设计合作伙伴的方式接入。这意味着上面描述的能力，多数还没有经过大规模生产环境的公开检验。

至少有三件事值得在评估时追问。第一，GraphRAG 相对纯向量检索的准确率和成本优势，目前来自厂商的表述，仍需要企业用自己的数据验证。第二，治理机制是否真的做到“只能访问被授权的数据”，要看它和现有权限体系的对接深度。第三，六层本体不是配置出来的，而是需要业务、数据和平台团队共同梳理和维护的知识资产——这部分投入，往往比接入一个检索服务大得多。

可靠智能体，终究是知识问题

围绕智能体的讨论很容易滑向模型参数、上下文窗口和推理技巧。但企业真正卡住的地方，常常是一个更朴素的问题：智能体不知道“2”是什么意思，不知道“客户”指谁，也不知道数据在哪个系统里。

Neo4j Context Engine 的价值主张，是把这些散落在代码、便签、报表和人的经验里的约定，收拢成一张可治理、可推理、可追溯的图。这个方向是否成立，取决于企业愿不愿意把业务语义当作一项长期资产来建设。模型会继续变强，但业务含义不会因此自动变得清晰。