Create Context Graph
快速生成具备图谱记忆与推理轨迹的领域智能体全栈应用。
这个 Agent 能做什么，适合哪些场景？
Create Context Graph 是一个交互式 CLI，用于按行业领域和智能体框架生成完整的上下文图谱应用。生成项目包含 FastAPI 后端、Next.js 与 Chakra UI v3 前端、领域 Neo4j schema、数据夹具及可选 MCP 配置。运行时通过 neo4j-agent-memory v0.4 管理短期、长期和推理记忆，并可使用默认托管的 NAMS 或自托管 Bolt Neo4j。前端提供 SSE 流式聊天、实时工具调用时间线、可展开的图谱视图、实体详情、文档浏览和决策轨迹面板。它适合希望从领域本体直接搭建可运行图谱智能体的团队，而不是寻找一个可直接嵌入现有应用的单一 SDK 的用户。
执行 create-context-graph 后，CLI 会通过交互向导或 --domain、--framework 等参数选择配置，生成领域本体、项目脚手架、智能体工具与系统提示词。生成的 backend/app 包含 main.py、agent.py、routes.py、context_graph_client.py、memory.py、gds_client.py 和 vector_client.py；frontend 使用 ChatInterface.tsx、ContextGraphView.tsx、DecisionTracePanel.tsx 与 DocumentBrowser.tsx。自托管模式可写入 Neo4j schema、GDS projection 和 fixtures.json，并用 make seed 导入演示数据；NAMS 模式则让对话自动抽取实体并写入托管记忆。可选连接器可在脚手架阶段导入 GitHub、Slack、Notion、Linear、Google Workspace、Claude Code、Claude AI、ChatGPT 等数据，随后通过 make import 重新导入。使用 --with-mcp 时，项目还会生成供 Claude Desktop 查询同一知识图谱的 MCP server 配置。
- 医疗产品团队需要用 Healthcare 本体生成带患者、诊断、治疗实体及聊天界面的 Neo4j 演示应用。
- 软件工程团队希望把 GitHub、Slack 或 Linear 数据导入图谱，并用 Software Engineering 域生成查询工具和可视化界面。
- 需要本地保存完整图原生边、执行 GDS 或任意 Cypher 写入的团队，可采用 --self-hosted --demo 部署方式。
- 希望从 Claude Code 本地会话、Claude AI 导出包或 ChatGPT 导出包构建个人上下文图谱的开发者。
- 领域尚未预置时，需要以自然语言描述业务并生成实体类型、关系和智能体工具的原型团队。
这个 Agent 有哪些优点和局限？
- 一个领域 YAML 经 Jinja2 同时驱动 schema、Pydantic 模型、智能体工具和前端可视化，减少多层配置漂移。
- 提供 NAMS 托管记忆与自托管 Bolt Neo4j 两条路径；后者支持原生图边、GDS 和任意 Cypher 写入。
- 生成的应用不只包含聊天接口，还包含 SSE 工具调用时间线、图谱探索、文档浏览和决策轨迹查看。
- 覆盖 27 个预置领域、8 种智能体框架，并能导入多种 SaaS 与对话历史数据。
- 它生成的是独立全栈项目，涉及 Python、Node.js、环境变量和可选 Neo4j 运维，不是零配置托管产品。
- 默认 NAMS REST 写入面较窄：关系会编码在 description 的 ccg-edges YAML 中，实体属性也会折叠到 description。
- NAMS 模式不支持偏好或事实 REST 写入，GDS 端点和任意 Cypher 写入会返回 501；需要这些能力应使用自托管模式。
- 不同框架和连接器依赖相应模型、SaaS 凭据或本地导出文件，端到端 smoke test 还需要运行中的 Neo4j 与 API 密钥。
如何安装或部署这个 Agent？
安装仓库开发版本：git clone https://github.com/neo4j-labs/create-context-graph.git && cd create-context-graph && uv venv && uv pip install -e ".[dev]"。使用生成器时需 Python 3.11+，前端需 Node.js 18+。默认 NAMS 路径需要 MEMORY_API_KEY（或 --nams-api-key）和所选智能体框架所需的模型 API 密钥；自托管路径还需要 Neo4j 5+ 的连接信息。
如何使用这个 Agent？
托管记忆的首次运行：uvx create-context-graph my-app --domain healthcare --framework strands --nams-api-key sk-nams-...；随后执行 cd my-app，向 .env 写入 ANTHROPIC_API_KEY，运行 make install 和 make start，并打开 http://localhost:3000。自托管并生成演示数据可运行：uvx create-context-graph my-app --domain healthcare --framework pydanticai --self-hosted --demo；进入项目后配置 ANTHROPIC_API_KEY，依次运行 make install、make docker-up、make seed、make start。可通过 create-context-graph --list-domains 查看 27 个预置领域。
这个 Agent 与同类方案有什么区别？
与简单 RAG 相比，该项目将短期消息、POLE+O 长期实体图和带来源信息的推理记忆结合起来；它强调结构化图谱推理与决策轨迹，而非仅检索文本。