DeepAgents+Neo4j：三层图谱打通Agent记忆与知识

AI Agent 的记忆问题正在成为落地瓶颈。多数团队把 RAG 和 Agent 记忆当作两个独立模块拼在一起，导致 Agent 做过什么、为什么做、依据哪份文档，三者相互割裂。开源项目 Agentic GraphRAG 提出了一种用图数据库统一三者的思路：Neo4j 承担连接层，DeepAgents/LangGraph 提供内置 Agent 运行时。项目的作者在 Reddit 上公开了设计细节，并抛出一个值得讨论的问题——你的检索和长期记忆栈是怎么搭的。

三层图结构：知识、工作与决策

据项目作者描述，整个图被拆成三个互相连接的部分。知识层存放文档、段落以及抽取出的实体与关系；工作记忆层记录任务及其进度，包括消息和工具调用结果；决策记忆层则保存结论、假设和待解问题。

三层并非简单的并列关系。每个决策都可以链接回源段落、任务事件或更早的决策。Agent 的内置实现会把消息和工具活动自动写成任务事件，因此另一个会话可以接着上一轮进度继续干活——这解决的是“Agent 换个会话就失忆”的老问题。

决策的修订也有版本意识：复核一个决策时，既可以确认它，也可以替换它，但旧版本会留在历史里，而不是被覆盖删除。

摄取与抽取：不丢文档结构的细节

知识层的预处理用了 Docling 做文档解析、Chonkie 做切分。值得留意的是它对文档结构的保留程度：章节层级、表格、段落父子关系都被保留，每段还附带源版本和位置信息，PDF 场景下连页码位置也记录在内。

实体抽取是 schema 驱动的。用户需要为领域定义实体、属性和关系的 schema，系统用它指导抽取、校验结果，并决定检索时使用的实体标签。本地抽取走 GLiNER，结构化 LLM 抽取则由 BAML 处理选定的 chunk。这种“先定 schema 再抽取”的路线，比全自动开放抽取更可控，代价是前期要投入领域建模工作。

Docling 是 IBM 开源的一款文档解析工具，专门用于将 PDF、DOCX、PPTX、HTML 等格式转换为结构化的 Markdown 或 JSON，并保留标题层级、段落、表格、列表、阅读顺序等版式信息。相比 PyPDF2、pdfplumber 等偏重文本提取的库，Docling 内置了版面分析和表格结构识别模型，能输出带父子关系的文档树，因此适合做 RAG 的前置解析。

Chonkie 则是一个轻量的文本切分（chunking）库，支持按 token、句子、语义或递归结构切分，并提供多种切分策略的快速对比。它强调切分效率与可配置性，常与 Docling 配合使用：Docling 负责把文档变成结构化块，Chonkie 再把这些块按目标粒度切成适合 embedding 的 chunk。

GLiNER 是一种基于双向编码器（如 DeBERTa）的通用命名实体识别模型，它不需要预先训练固定标签集，而是在推理时接受任意实体类型列表，通过将实体类型与文本片段做联合编码来判断是否匹配。这种“零样本 NER”特性使它适合在本地对自定义 schema 中的实体类型做抽取，无需为每个领域微调模型。

BAML（Boundary ML）是一门用于定义和调用 LLM 函数的领域特定语言，开发者用声明式语法描述输入输出 schema、提示词和解析逻辑，编译后生成类型安全的客户端代码。在结构化抽取场景中，BAML 负责把选定的 chunk 连同目标 schema 一起发给 LLM，并强制输出符合 schema 的 JSON，减少解析失败和格式漂移。

混合检索：抽取漏掉的事实仍可被找到

检索层面，项目没有只押注图。它同时工作在原始段落和抽取出的图之上，把 Neo4j 的全文本排名与向量排名用 reciprocal rank fusion 融合。作者给出的理由很直接：当抽取环节漏掉某个事实时，段落搜索仍然兜得住。

在此基础上，Agent 还能沿实体关系跳到支撑段落，或者从某个搜索命中处向邻近章节、带表头的表格行扩展阅读。这一设计针对的是纯向量检索常见的“只能看到 chunk 边界内内容”的局限。

Reciprocal Rank Fusion（RRF）是一种无需训练的多路检索结果融合方法。对每个候选文档，它在每一路排名中的得分记为 1/(k + rank)，其中 k 通常取 60，然后将各路的倒数和作为最终分数排序。RRF 的优势是不依赖各路分数的量纲和分布，只利用排名信息，因此在全文本检索和向量检索这种分数不可比的场景下特别稳健，实现也只需几行代码。

引用校验：能挡住错误，但挡不住全部

项目对引用做了三层运行时检查：引用的证据是否在本次运行中被实际读过、是否落在允许的文档范围内、是否匹配所引用的版本。

作者也坦诚地标注了边界——这些检查不能判定证据是否真的支持结论。另外，被引用文档更新时，受影响的决策及其显式依赖方会被标记待复核，而已有引用仍指向当初引用的原文。这套机制更像引用完整性校验，语义正确性仍需要人或上层流程把关。

开放性设计与待解问题

除了内置 Agent，项目还提供 MCP server，方便接入其他 Agent 框架。作者列出的后续工作包括更模块化的 pipeline、更多存储后端以及领域专属 benchmark。

从社区讨论角度看，这个项目最大的看点不是某个单点技术，而是把“Agent 行为”本身当作一等公民写进知识图谱。如果你的场景需要审计 Agent 决策链路——比如合规审查、研究复现、多会话长任务——这种三层结构值得借鉴。反过来说，如果只是简单问答，引入三层图谱和 schema 建模的成本可能不划算。作者的提问也值得每个做 Agent 的团队回答：你的领域里，检索和长期记忆到底怎么分工？

MCP（Model Context Protocol）是 Anthropic 于 2024 年底提出的开放协议，用于让 LLM 应用以统一方式连接外部工具、数据源和服务。它把集成方抽象为 MCP server，把调用方（如 Claude Desktop、IDE、Agent 框架）抽象为 MCP client，通过 JSON-RPC 暴露 resources、tools、prompts 三类能力。Agentic GraphRAG 提供 MCP server，意味着任何支持 MCP 的 Agent 运行时都可以把它的图检索和记忆能力当作工具调用，而不必绑定 DeepAgents/LangGraph。