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。
按维度查看评分与理由
证据显示：CLI 提供 --dry-run 选项，可预览生成而不创建文件，体现最小权限意识；但未发现明确的权限分级或沙箱机制。用户确认方面，CLI 有交互式向导，但非交互模式下可能直接执行，缺乏强制确认。数据流透明度：README 详细描述了数据流向（如 NAMS 写路径的混合写入形状），但未提供运行时数据流图或日志。敏感数据处理：Claude Code 连接器声称自动编辑机密，但未提供实现细节。依赖安全：pyproject.toml 列出依赖，但未提供漏洞扫描或锁定文件。外部影响：CLI 会生成项目并可能连接外部服务，但未明确提示风险。回滚：提供 --reset-database 选项，但未提供生成项目的回滚机制。来源归属：README 明确标注 Neo4j Labs 项目，但发布者未经验证。
自一致性：README 与 pyproject.toml 版本一致（0.13.1），测试文件显示对 v0.12.0 的修复，但未发现明显矛盾。依赖可用性：依赖列表完整，但未提供锁定文件或版本范围验证。失败消息：测试文件显示对失败处理的测试，但未提供用户可见的错误消息示例。
受众与场景：README 明确面向开发者，提供多种使用场景（NAMS、自托管、自定义域）。能力边界：CLI 选项清晰定义，但未明确限制生成项目的规模或复杂度。触发精度：CLI 参数明确，但未提供自动化触发机制。环境适配：支持多种框架和部署方式，但未提供容器化部署的完整说明。
信息架构：README 结构清晰，包含快速开始、CLI 参考、架构说明。安装说明：提供 uvx 和 npx 命令，但未提供手动安装步骤。命名稳定性：项目名称和 CLI 命令稳定，但未提供命名规范文档。示例与 FAQ：提供多个示例，但未提供 FAQ。已知限制：README 提及 NAMS 写路径限制，但未全面列出。许可证：Apache-2.0 许可证文件完整。版本与变更日志：pyproject.toml 有版本号，但未提供 CHANGELOG 文件。维护责任：README 声明由 Neo4j 员工维护，但未提供贡献指南。
输出可用性：生成的应用程序包含完整的前端和后端，可直接运行。边际价值：提供 27 个领域和多种框架，具有较高价值。成本效益：免费开源，但需要 API 密钥和基础设施，成本适中。
声明可追溯性：README 中的声明（如测试数量）未提供具体测试文件引用。跨来源佐证：未提供外部验证。事实与推断分离：README 区分了功能描述和架构说明，但未明确标注推断。
- 发布者身份未经验证，需谨慎对待供应链风险。
- 依赖未锁定版本，存在供应链攻击风险。
- 敏感数据处理（如 Claude Code 连接器）的机密编辑实现未提供细节，需审查。
- 生成的项目可能连接外部服务，需注意数据外泄风险。
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。