AI Engineer Europe 2026 · 演講 · 2026-05-29 · 20 分
Agent 要查前例，不只讀文件
Why your agents need decision traces, not just documents · Zach Blumenfeld，Neo4j
Neo4j 的 Zach Blumenfeld 講 context graph：除了客戶資料與文件，agent 還要查過去的決策軌跡與前例。現場示範開源的一行指令工具，以及底層的記憶套件。
概要
- 答對問題與做對決定不同知識庫與圖檢索讓 agent 答對問題；context graph 再補上過去的決策軌跡與前例，讓 agent 能說該拒絕還是接受，以及為什麼。
- 三塊資料模型Zach 把 context graph 分成實體、事件（決策、交易、核准這類）和 context，決策背後的推理可能來自 AI 的記憶，也可能來自員工與過去的決策者。
- 用結構找相似決策示範裡的搜尋同時看語意與圖結構的相似；graph embedding 把相連的節點嵌成向量，相似的決策軌跡就能用向量相似度查出來。
- 一行指令生出整套應用用 uvx 指令指定名稱、領域與框架，就會產生前後端和示範資料；Zach 說有 22 個內建領域，也能自訂領域並產生 ontology。
- 底層是記憶套件專案依賴 Neo4j agent memory，Zach 說 context graph 需要短期記憶、長期記憶與推理三樣，文字則經多個階段轉成知識圖。
- 決策怎麼寫回還沒解決Q&A 裡 Zach 坦承，新的決策軌跡如何寫入還在摸索，專案也還很新。
原話
▶ 01:26“you need to ask yourself, what do agents need to really be accurate, right?”
你得先問自己，agent 要真正準確到底需要什麼
▶ 07:46“similar decision traces are now going to be able to be looked up by vector similarity.”
相似的決策軌跡現在可以用向量相似度查出來
▶ 13:10“context graphs really need all three of these things. A short-term memory, a long-term memory and reasoning.”
context graph 這三樣都需要：短期記憶、長期記憶和推理
▶ 18:25“Again, it's a new project, so it's still a little bit rougher on the edges”
再說一次，這是個新專案，邊邊角角還比較粗
▶ 19:34“we're still working on how you would write new decision traces.”
我們還在研究要怎麼寫入新的決策軌跡
延伸
- Neo4j agent memory 也能接 Microsoft Agent Framework、Google ADK 等框架。
- 要匯入結構化資料，或想用自己的 LLM 抽取與 NER 流程，Zach 說可以改用套件以外的工具，不一定走內建流程。
- 收尾時 Zach 提到，之後可以考慮替決策軌跡加上某種情緒或品質分數。
章節
點時碼直接跳到原片的那一段。
- 開場與 Zach 的背景Zach 說明自己在 Neo4j，這家公司做圖形智慧（graph intelligence），核心是圖資料庫；最近轉去做研究工程師，這場要講 context graph。
- context graph 從何而來Zach 把 context graph 連到 Foundation Capital，說大約是 12 月前後，圍繞決策軌跡（decision traces）的討論變多，並從「agent 要準確需要什麼」切入。
- 從答對問題到做對決定知識庫與圖檢索讓 agent 答對問題；context graph 還要補上過去的決策軌跡與前例，讓金融分析 agent 能回答該拒絕還是接受，以及為什麼。
- context graph 的資料模型分成實體、事件（決策、交易、核准）與 context 三塊；決策背後的推理可能來自 AI 的記憶，也可能來自員工與過去做決定的人。
- 示範應用的架構示範資料來自 CRM、客服系統等來源；agent 執行環境用 Claude，embedding 用 OpenAI，資料放 Neo4j 並附向量，前端是 Next.js。
- 示範：agent 一路呼叫工具錄下的 demo 裡，agent 呼叫一連串工具把圖資料撈回來、取得決策軌跡，最後得出拒絕的決定，過程中還呼叫 find precedents 去找前例。
- 混合搜尋與 graph embedding搜尋同時看語意相似與圖結構相似；graph embedding 把相連的節點嵌成向量，相似的決策軌跡就能用向量相似度查出來。
- 一行指令生出整套應用Zach 介紹一個月內才做出來的工具，用 uvx 指令生出前後端與腳手架，像 create react app，可指定名稱、領域與 agent 框架。
- 現場跑一次示範Zach 選 Pydantic AI 加示範資料，安裝要幾分鐘；跑完後問處方藥相關問題，agent 用 Cypher 檢索，畫面有 schema 視覺化與決策軌跡。
- 資料匯入、框架與領域可從 GitHub、Notion、Jira、Slack 匯入資料；支援多種框架，有 22 個內建領域，也能自訂領域並產生 ontology，還能產 MCP server。
- Neo4j agent memory 套件專案底層依賴這個記憶 API；Zach 說 context graph 需要短期記憶、長期記憶與推理三樣，推理對應圖裡的軌跡。
- 文字怎麼進知識圖套件內建把原始文字轉進知識圖的流程，從 spaCy、GLiNER 到 LLM 後備，再接合併、去重與充實，把短期記憶轉成可解析的長期實體。
- Q&A：時間戳與預設 ontology有聽眾問到決策的時間先後；Zach 說可以加時間戳、用 caused 或 next 串起步驟，但不確定現在做到沒有。另一題問到預設領域的 ontology，答案是已經預先定義好一組實體與關係類型。
- Q&A：自己的資料怎麼套Zach 建議看 create context graph 套件：能描述資料就能產生圖 schema，非結構化資料做實體抽取，已結構化的就把 Cypher 語句對應過去。
- Q&A：決策怎麼寫回圖裡Zach 說還在摸索；第一個 demo 可以要求它記下決策，但不提示就不會寫，create context graph 這邊也還在研究怎麼寫新的決策軌跡。
名詞
- Neo4j
- Zach 任職的公司，自稱是 graph intelligence 公司，核心是圖資料庫
- context graph
- 除了實體與狀態，還記錄決策、前例與因果鏈的圖，讓 agent 能參考過去怎麼決定
- decision traces
- 過去決策留下的軌跡，Zach 說是關於為什麼這樣決定的動態資訊
- graph embedding
- 把圖裡相連的節點嵌成向量，相似的決策軌跡可用向量相似度查出來
- GDS（Graph Data Science）
- Neo4j 的圖資料科學工具，示範裡用它做 graph embedding
- Cypher
- Neo4j 的圖查詢語言，示範應用靠它把資料撈回來
- create-context-graph
- 一行 uvx 指令就生出前後端與示範資料的開源工具，Zach 說一個月內才做出來
- Neo4j agent memory
- 提供短期記憶、長期記憶與推理的記憶套件，是上述工具的重要依賴
- Pydantic AI
- Zach 現場示範時選的 agent 框架
- spaCy、GLiNER
- 套件把文字轉進知識圖時依序用到的抽取方法，後面接 LLM 後備
