top of page

Neo4j wprowadza Relate do lokalnej pamięci agentów AI

4 dni temu
11 minut(y) czytania
Illustrative photograph. Photo: cottonbro studio / Pexels.

Neo4j udostępniło 11 listopada Relate, umieszczając grafową bazę danych napisaną w Ruście wewnątrz aplikacji AI bez potrzeby korzystania z osobnego serwera bazy danych. Neo4j Relate przechowuje lokalnie fakty i relacje między nimi, dając deweloperom kolejną opcję pomiędzy tymczasowymi plikami aplikacji a współdzieloną usługą bazodanową. Wybór ten wiąże się z praktycznym kompromisem: mniej pracy przy wdrożeniu, ale pojemność i koordynacja są powiązane z aplikacją, w której baza działa.

Wbudowana baza danych działa wewnątrz procesu aplikacji, dzieląc z nią cykl życia i zasoby obliczeniowe. SQLite ustanowił ten model dla danych relacyjnych, które organizują informacje w tabelach. Relate stosuje go do grafów, przedstawiających encje i połączenia między nimi.

To sprawia, że premiera jest istotna dla deweloperów tworzących agentów — oprogramowanie wykorzystujące modele i narzędzia do realizacji zadań. Asystent programistyczny analizujący zależności potrzebuje innego sposobu przechowywania danych niż ogólnofirmowy system obsługujący rekordy biznesowe. Relate daje Neo4j produkt skierowany bezpośrednio do tej mniejszej, lokalnej jednostki pracy.

Neo4j Relate przenosi przechowywanie grafów do aplikacji

Relate zmienia miejsca, w których deweloperzy mogą umieścić grafową bazę danych, czyniąc lokalne przechowywanie danych wyraźną opcją dla obciążeń agentowych.

W komunikacie Neo4j o premierze wbudowanej bazy danych Relate opisano jako otwartoźródłową implementację w Ruście, udostępnioną na licencji Apache License 2.0. Ogłoszenie datowane jest na 11 listopada, a nie na 13 listopada, z którym wiążą się późniejsze publikacje. Neo4j przedstawiło je w ramach działań związanych z NODES 2026.

Produkt obsługuje tymczasowe przechowywanie pamięci oraz trwałe przechowywanie danych, które zachowuje informacje po zamknięciu aplikacji. Opisywanie go wyłącznie jako bazy danych in-memory pomija to rozróżnienie. Jego silnik zapytań pracuje z grafem w pamięci, natomiast zapis na dysku może zachować informacje potrzebne do jego ponownego otwarcia.

Ta architektura ma znaczenie, ponieważ dane robocze agenta nie zawsze zasługują na stałą usługę. Analiza zależności, przegląd dokumentów lub odizolowane zadanie programistyczne mają początek i koniec. Deweloperzy mogą zasadnie chcieć, aby baza danych podążała za tym samym cyklem życia.

Wyobraźmy sobie dewelopera badającego, dlaczego aplikacja zależy od przestarzałego pakietu. Prosta lista zapisuje zaangażowane pakiety. Graf zapisuje również, który pakiet wprowadził każdą zależność, dzięki czemu łańcuch pozostaje dostępny dla późniejszych pytań.

Graf nie ustala, czy pakiet jest niebezpieczny. Reprezentuje połączenia dostarczone przez dane źródłowe. Jego wartość polega na tym, że pozwala oprogramowaniu śledzić te połączenia bez wielokrotnego odtwarzania ich z osobnych plików.

Relate oferuje więc inny wybór wdrożeniowy niż uruchamianie Neo4j jako współdzielonej usługi. Deweloperzy mogą umieścić silnik obok aplikacji, która go potrzebuje. Zmniejsza to liczbę odrębnych komponentów, które muszą przygotować, zanim zadają pytanie o strukturze grafowej.

To rozróżnienie zapobiega też mylącej interpretacji implementacji w Ruście. Ta premiera nie dowodzi, że Neo4j zastąpiło swoje istniejące produkty serwerowe odpowiednikiem w Ruście. Relate ma własny model działania, zakres i ograniczenia.

Dla deweloperów istotną zmianą jest dostęp do mniejszej jednostki wdrożeniowej. Mogą ocenić przydatność grafu dla konkretnego zadania bez wcześniejszego przypisywania tego zadania do szerszej architektury bazodanowej.

Lokalne wdrożenie zmienia również to, kto odpowiada za pracę operacyjną. Zespół aplikacji decyduje, kiedy tworzyć, zachowywać, ponownie otwierać lub usuwać swoje dane. Decyzje te zbliżają się do funkcji korzystającej z bazy danych.

Ta bliskość może uprościć ograniczony projekt. Sprawia jednak również, że decyzje dotyczące cyklu życia stają się częścią projektowania aplikacji. Tymczasowe badanie i długotrwały asystent nie powinny dziedziczyć tego samego zachowania retencyjnego tylko dlatego, że korzystają z tego samego silnika.

Twórcy agentów stoją przed inną decyzją dotyczącą przechowywania danych

Relate podważa założenie, że połączona pamięć agenta wymaga osobno obsługiwanej usługi bazodanowej.

Bezpośrednią grupą odbiorców są deweloperzy, których agenci działają w obrębie repozytorium, aplikacji, notatnika lub odizolowanego środowiska wykonawczego. Ich problem jest często węższy niż utrzymywanie trwałego systemu wiedzy organizacji. Potrzebują użytecznego kontekstu dostępnego podczas wykonywania zadania.

Osobna usługa bazodanowa wymaga decyzji dotyczących dostępu, wdrożenia, łączności i odpowiedzialności. Decyzje te mogą być uzasadnione, gdy wiele aplikacji potrzebuje tych samych rekordów. Mogą wydawać się nieproporcjonalne, gdy dane istnieją wyłącznie po to, by wspierać lokalne badanie.

Pliki tymczasowe pozwalają uniknąć dużej części tej konfiguracji. Pozostawiają jednak aplikacji odpowiedzialność za reprezentowanie połączeń, walidowanie aktualizacji i pobieranie istotnych informacji. W miarę rozszerzania tych wymagań kod odpowiedzialny za przechowywanie danych staje się większą częścią samego agenta.

Żadne z tych podejść nie jest z natury błędne. Mały zbiór ustawień może pozostać plikiem. Współdzielony system biznesowy może należeć do usługi zarządzanej. Relate obejmuje obszar, w którym relacje mają znaczenie, lecz osobna usługa wnosi więcej infrastruktury, niż wymaga zadanie.

SQLite oferuje użyteczny historyczny punkt odniesienia. Jego bezserwerowy model bazy danych umieszcza silnik w aplikacji, a nie za pośredniczącym procesem serwerowym. Taki układ eliminuje administrację serwerem, jednocześnie zmieniając granice izolacji i koordynacji.

Relate przenosi to samo pytanie o umiejscowienie na obciążenia grafowe. Deweloperzy muszą zdecydować, czy ich aplikacja zyskuje na bezpośredniej dostępności relacji we własnym procesie. Odpowiedź zależy od wykonywanej pracy, a nie od popularności agentów.

Asystent analizujący historię projektu stanowi ilustracyjny przypadek. Pliki, zmiany, zgłoszenia i właściciele tworzą połączony zestaw rekordów. Lokalny graf mógłby wspierać pytania o to, które zmiany wpłynęły na komponent i które zgłoszenia wyjaśniają podjęte decyzje.

Ten przykład nie dowodzi przewagi pod względem dokładności nad istniejącymi narzędziami. Wskazuje obciążenie, w którym reprezentacja pasuje do pytania. Korzyść wdrożeniowa istnieje tylko wtedy, gdy utrzymanie tego grafu wymaga mniej wysiłku niż alternatywy.

Presja dotyczy także zespołów tworzących frameworki agentowe, które dostarczają wielokrotnego użytku oprogramowanie do koordynowania modeli i narzędzi. Stają one przed wyborem między oferowaniem lokalnych ustawień domyślnych a zakładaniem zewnętrznego zaplecza pamięci masowej. Opcja lokalna może ułatwić eksperymentowanie, ale nadal musi zapewniać przewidywalne zachowanie.

Nabywcy korporacyjni stają przed powiązanym pytaniem o granice. Powinni odróżniać tymczasowy kontekst roboczy agenta od autorytatywnych rekordów, którymi zarządza organizacja. Skopiowanie użytecznego podzbioru do lokalnej bazy danych nie przenosi własności oryginalnych informacji.

Pracownicy wiedzy również mają interes w tym rozróżnieniu. Odpowiedź oparta na lokalnych danych roboczych powinna jasno wskazywać, czy informacje są aktualne i kompletne. Użytkownik doświadcza odpowiedzi niezależnie od tego, gdzie działa baza danych.

Dla czytelników porównujących osobiste bazy wiedzy obowiązuje to samo pytanie o własność. Użyteczne wyszukiwanie zależy od zrozumienia, czyje informacje przechowuje system, jak się zmieniają i co wykluczają jego granice.

Połączona pamięć udostępnia relacje zapytaniom

Graf sprawia, że relacje stają się dostępne dla zapytań, lecz to aplikacja nadal określa, które relacje powinny istnieć.

Mechanizm techniczny jest prosty. Encje stają się węzłami, a połączenia — relacjami. Agent może pytać o łańcuch połączeń, zamiast pobierać osobne rekordy i samodzielnie składać ten łańcuch.

Cypher, język zapytań grafowych, wyraża takie wzorce. Pytanie o zależność może śledzić połączenia od aplikacji przez pakiety aż do ostrzeżenia. Wynik zależy od tego, czy graf zawiera odpowiednie pakiety, wersje i relacje z ostrzeżeniami.

Różni się to od wyszukiwania podobieństwa, które pobiera elementy według tego, jak ściśle ich reprezentacje odpowiadają zapytaniu. Podobne sformułowanie może odnaleźć użyteczny dokument. Nie ustala jednak automatycznie, że dokument ten reguluje konkretną decyzję lub zależność.

Neo4j przedstawia Relate jako sposób łączenia zapytań o relacje z wyszukiwaniem opartym na podobieństwie. Ten kierunek produktowy celuje w praktyczną słabość pamięci agentów: odnalezienie istotnych materiałów jest tylko częścią zrozumienia ich roli.

Przykładowy asystent projektu mógłby odnaleźć notatkę omawiającą dostawcę uwierzytelniania. Relacja z późniejszą decyzją mogłaby pokazać, że zespół wybrał później innego dostawcę. Bez tego połączenia istotna starsza notatka nadal może prowadzić do nieaktualnej odpowiedzi.

Graf z definicji nie odkrywa późniejszej decyzji. Aplikacja musi ją wczytać, zidentyfikować temat i przedstawić jej relację z wcześniejszym materiałem. Jeśli ten proces zawiedzie, graf może zachować niepełny obraz.

To zastrzeżenie ma znaczenie, ponieważ „pamięć” opisuje kilka różnych wymagań. Zapamiętanie faktu różni się od zachowania jego źródła. Zachowanie źródła różni się od rozpoznania, że nowsza decyzja je zastępuje.

Model grafowy Relate zapewnia miejsce do wyrażenia tych rozróżnień. Deweloper nadal odpowiada za wybór rozróżnień istotnych dla aplikacji. Elastyczność przechowywania danych nie zastępuje modelu informacji.

Demonstracja pamięci agentowej Neo4j ilustruje zamierzony cykl życia poprzez analizę zależności. Firma opisuje, jak Claude Code analizuje Agent Development Kit Google za pomocą oddzielnych, jednorazowych grafów. Demonstracja obejmuje 24 bezpośrednie zależności i czerpie informacje o zależnościach z deps.dev.

Jest to demonstracja dostawcy, a nie niezależny benchmark. Jej użyteczny szczegół dotyczy kształtu zadania: tworzenia ograniczonych grafów, badania połączeń, raportowania ustaleń i usuwania baz danych.

Przykład wyjaśnia również, dlaczego lokalne przechowywanie danych i struktura grafowa należą do tej samej dyskusji. Badanie intensywnie wykorzystujące relacje może być tymczasowe. Deweloperzy nie muszą koniecznie przekształcać jego danych roboczych w trwałą współdzieloną usługę.

Tymczasowe przechowywanie danych zwiększa jednak wagę końcowego raportu. Jeśli baza danych zniknie, raport musi zachować wystarczające dowody, aby ktoś mógł ocenić ustalenia. W przeciwnym razie wygodne badanie staje się trudne do odtworzenia.

Trwały graf zmienia tę równowagę. Może zachować relacje na potrzeby późniejszej pracy, lecz wtedy aktualność, retencja i korekty stają się stałymi obowiązkami. Aplikacja zyskała pamięć i odziedziczyła utrzymanie.

To samo rozumowanie dotyczy asystentów dokumentów. Połączenie między twierdzeniem a dokumentem, który je wspiera, może pomóc wyjaśnić odpowiedź. Połączenie to powinno przetrwać poprawki w sposób jasno określający jego znaczenie.

W tym miejscu obietnica staje się konkretna. Połączona pamięć daje oprogramowaniu strukturę do zadawania lepszych pytań o dostępne dowody. Nie gwarantuje jednak, że dowody są poprawne, kompletne ani właściwie interpretowane.

Lokalne wykonanie wymienia narzut usług na ograniczenia pamięci

Lokalny model Relate usuwa granicę wdrożeniową, jednocześnie narzucając wyraźną granicę pojemności: otwarty graf musi mieścić się w pamięci.

Architektura lokalnego grafu produktu opisuje silnik przeznaczony dla grafu należącego do aplikacji, agenta lub narzędzia działającego na maszynie. Graf znajduje się w pamięci. Dysk zapewnia trwałość, zamiast pełnić rolę warstwy silnika skanującej zapytania.

To rozróżnienie oddziela pojemność magazynową od pojemności roboczej. Zapisanie danych na dysku nie oznacza, że aplikacja może odpytywać graf większy niż dostępna pamięć. Deweloperzy muszą odpowiednio dobrać rozmiar grafu roboczego.

W przypadku ograniczonego dochodzenia ten limit może sprzyjać użytecznej dyscyplinie. Aplikacja ładuje informacje istotne dla zadania zamiast kopiować całą historię organizacji. Mniejszy zestaw roboczy może też ułatwić wyjaśnienie jego zakresu.

Dla asystenta, który ma pamiętać wszystko bezterminowo, ten sam limit staje się bardziej wymagający. Informacje się kumulują, relacje mnożą, a aplikacja konkuruje o pamięć z innym oprogramowaniem. Polityka retencji staje się częścią planowania pojemności.

Alternatywa w postaci osobnej usługi tworzy inne kompromisy. Może oddzielić operacje bazodanowe od cyklu życia aplikacji i wspierać współdzielony dostęp przez centralną granicę. Wymaga również łączności i zarządzania usługą.

Są to wybory architektoniczne, a nie etapy uniwersalnej drabiny rozwoju. Lokalna baza danych nie jest automatycznie prototypem czekającym na przekształcenie w usługę. Niektóre aplikacje zyskują na pozostaniu lokalnymi, ponieważ ich dane i użytkownicy pozostają lokalni.

Odwrotnie, aplikacja może przerosnąć lokalną własność, zanim jej graf stanie się duży. Kilka niezależnych systemów może potrzebować aktualizować te same rekordy. Zespół może wymagać, aby baza danych pozostawała dostępna podczas restartu aplikacji.

Właściwa granica zależy zatem równie mocno od koordynacji, co od rozmiaru. Liczy się to, kto zapisuje informacje, kto musi je odczytywać i kto obsługuje awarie. Samo liczenie rekordów nie odpowiada na te pytania.

Twierdzenia dotyczące wydajności wymagają tej samej ostrożności. Neo4j reklamuje uruchamianie w milisekundach i odczyty z pamięci poniżej milisekundy. Te stwierdzenia opisują deklaracje firmy, a nie niezależnie zweryfikowaną gwarancję dla dowolnego obciążenia agenta.

Deweloper oceniający te deklaracje musi oddzielić uruchomienie pustego silnika od ponownego otwarcia wypełnionego magazynu. Ładowanie danych, budowanie struktur wyszukiwania, wykonywanie zapytań i generowanie odpowiedzi modelu to różne operacje. Ich koszty nie powinny znikać w jednym twierdzeniu o szybkości.

Najbardziej użyteczne porównanie utrzymałoby zadanie aplikacji na stałym poziomie. Obejmowałoby te same dane źródłowe, pytania, wymagania dotyczące trwałości i oczekiwania wobec wyników. W przeciwnym razie szybszemu zapytaniu lokalnemu może towarzyszyć wolniejszy całkowity przepływ pracy.

Zużycie pamięci również należy do tego porównania. Agent nie otrzymuje nieograniczonych zasobów tylko dlatego, że jego baza danych działa lokalnie. Baza danych współdzieli maszynę z aplikacją i wszelkim innym oprogramowaniem wspierającym zadanie.

Lokalne umiejscowienie może ograniczyć narzut komunikacyjny, ale nie eliminuje pracy obliczeniowej. Zapytania nadal muszą znaleźć, filtrować i zwracać informacje. Rozmiar i struktura grafu pozostają istotne.

Dla zespołów produktowych oznacza to, że Relate jest opcją do oceny względem zdefiniowanego zadania. Wiarygodną korzyścią jest prostsze wdrożenie dla odpowiednich obciążeń. Twierdzenia o szerokiej wyższości wymagają dowodów wykraczających poza samą architekturę.

Transakcje Chronią Aktualizacje, Nie Prawdziwość Pamięci Agenta

Spójność bazy danych i niezawodność agenta to odrębne twierdzenia, a Relate należy oceniać pod obu tymi względami.

Transakcja grupuje zmiany w bazie danych, aby oprogramowanie mogło zastosować je z określonym zachowaniem spójności. Pomaga to zapobiegać sytuacji, w której niekompletne aktualizacje stają się widoczne jako zakończona praca. Nie ustala jednak, czy zapisywane fakty są prawdziwe.

Agent może wiernie zapisać błędny wniosek. Inny agent może pobrać go poprzez prawidłową relację i powtórzyć błąd. Poprawne działanie bazy danych może zatem utrwalać nieprawidłową wiedzę aplikacji.

To samo rozróżnienie dotyczy sprzecznych informacji. Baza danych może zachować zarówno starą decyzję, jak i nową decyzję. Aplikacja musi określić, która decyzja obowiązuje w bieżącym zadaniu i dlaczego.

Udokumentowane ograniczenia operacyjne Relate również wyznaczają granice współdzielonego dostępu. Trwały magazyn ma jeden proces zapisujący. Transakcje w tym procesie mogą napotkać konflikty, a silnik nie ponawia automatycznie konfliktujących zapisów.

Wiele agentów nie oznacza więc nieograniczonej liczby niezależnych procesów zapisujących do bazy danych. Deweloperzy muszą rozróżniać agentów koordynowanych przez współdzielony proces od osobnych procesów otwierających ten sam trwały magazyn. Te układy cechują się odmiennym zachowaniem w razie awarii.

Jest to szczególnie istotne, gdy systemy agentowe dzielą pracę między równoległe zadania. Planista może przydzielać odpowiedzialność, podczas gdy wykonawcy rejestrują postępy. Jeśli aplikacja zakłada, że każdy zapis się powiedzie, jej obraz odpowiedzialności może odbiegać od rzeczywistości.

Baza danych może zgłosić konflikt. Aplikacja nadal potrzebuje polityki interpretacji tego wyniku. Ponowienie próby, ponowny odczyt lub porzucenie działania mogą być rozsądne, zależnie od tego, co reprezentuje zapis.

Trwałość wprowadza kolejne rozróżnienie. Model trwałości magazynu opisuje dziennik wyprzedzający zapis, czyli rejestr zmian używany do odzyskiwania danych. Domyślny tryb pełnej trwałości synchronizuje dziennik przed potwierdzeniem zatwierdzenia. Tryby łagodniejsze akceptują inne okna możliwej utraty danych.

To istotny wybór inżynieryjny, zwłaszcza dla zachowywanej pamięci agenta. Jednorazowe dochodzenie i zapis decyzji zatwierdzonych przez użytkownika mają różne konsekwencje, jeśli znikną ostatnie zapisy. Ich ustawienia magazynu powinny odzwierciedlać te konsekwencje.

Odzyskiwanie danych różni się również od odzyskiwania przepływu pracy. Po restarcie aplikacja musi ustalić, które działania zewnętrzne zostały zakończone. Zachowany rekord bazy danych sam w sobie nie potwierdza, czy wywołanie narzędzia zmieniło inny system przed awarią.

Są to pytania ewaluacyjne, a nie dowód wady Relate. Wynikają z używania dowolnej bazy danych wewnątrz agenta, który czyta, rozumuje i działa. Nowy silnik magazynowania zmienia niektóre granice, pozostawiając odpowiedzialność aplikacji nienaruszoną.

Lokalne przechowywanie również nie gwarantuje, że informacje pozostaną prywatne. Żądanie do modelu, integracja narzędzia lub funkcja aplikacji nadal mogą przesłać pobrane treści w inne miejsce. Prywatność zależy od całej ścieżki, którą pokonują dane.

Dla kupujących użyteczne pytanie jest zatem bardziej precyzyjne niż to, czy produkt oferuje lokalną pamięć. Muszą wiedzieć, które informacje pozostają lokalne, które operacje opuszczają maszynę i kto kontroluje te operacje.

Relate tworzy możliwe do zbadania miejsce do przechowywania powiązanego kontekstu. Jego wkład należy oceniać oddzielnie od twierdzeń, że agenci stają się godni zaufania wyłącznie dzięki otrzymaniu grafu. Lepsza struktura pamięci jest wkładem w niezawodność, a nie substytutem jej oceny.

Obserwuj Dowody Dotyczące Obciążeń, Koordynacji i Długotrwałego Użycia

Kolejne dowody powinny pokazać, czy deweloperzy utrzymują Relate w działających aplikacjach po początkowym eksperymencie.

Pierwszym sygnałem są odtwarzalne dowody dotyczące obciążeń. Użyteczne oceny publikowałyby dane, wzorce zapytań, zasoby maszynowe i ustawienia magazynu stojące za wynikami. Powinny rozróżniać uruchomienie silnika, ładowanie danych, wykonanie zapytania i czas potrzebny do ukończenia właściwego zadania agenta.

To rozróżnienie wzmocniłoby argument za Relate, gdyby lokalne wdrożenie ograniczało pracę bez tworzenia nieproporcjonalnych kosztów ładowania lub pamięci. Wyniki ograniczone do niewielkich, pustych baz danych wspierałyby węższy wniosek. Żadnego z tych rezultatów nie należy uogólniać poza testowane obciążenie.

Najmocniejsze porównania analizowałyby również jakość odpowiedzi. Zapytanie o relacje może zwrócić dokładnie to, co zawiera baza danych, jednocześnie pomijając istotne połączenie, którego proces pozyskiwania danych nigdy nie utworzył. Mierzenie szybkości bez sprawdzania użytecznej kompletności pozostawia część aplikacji nieocenioną.

W dochodzeniu dotyczącym zależności istotnym wynikiem jest dokładny, możliwy do prześledzenia opis łańcucha zależności. W przypadku asystenta dokumentowego jest to odpowiedź oparta na właściwych rekordach. Wkład bazy danych ma znaczenie poprzez te wyniki.

Drugim sygnałem są dowody dotyczące koordynacji i odzyskiwania. Deweloperzy potrzebują przykładów pokazujących, co dzieje się, gdy zapisy są konfliktowe, aplikacje są restartowane, a zadania wznawiane. Demonstracja obsługująca wyłącznie nieprzerwane wykonanie pozostawia pytania operacyjne bez odpowiedzi.

Te dowody wzmocniłyby pozycję Relate, gdyby aplikacje mogły obsługiwać jego granicę procesu za pomocą prostej koordynacji. Zawęziłyby zakres odpowiednich obciążeń, gdyby deweloperzy wielokrotnie dodawali znaczącą infrastrukturę do zarządzania tą granicą. Produkt nie musi pasować do każdej architektury, aby uzasadnić swoje miejsce.

Jasność dokumentacji również należy do tego sygnału. Deweloperzy powinni móc określić, które interfejsy i zachowania obsługuje zainstalowana przez nich wersja. Jasne ograniczenia mogą oszczędzić więcej czasu inżynieryjnego niż szeroki język dotyczący kompatybilności.

Trzecim sygnałem jest długotrwałe użycie w aplikacjach z ciągłą odpowiedzialnością za dane. Tymczasowy graf pokazuje niewielkie tarcie przy konfiguracji. Graf utrzymywany mimo zmieniających się materiałów źródłowych pokazuje, że zespoły znalazły wykonalny model własności.

Dowody długotrwałego użycia powinny wyjaśniać, co deweloperzy zdecydowali się zachować, a co celowo odrzucili. Ujawnia to, czy pamięć grafowa służy pytaniom aplikacji. Gromadzenie informacji bez powodu nie jest tym samym co budowanie użytecznej pamięci.

Implikacja komercyjna wynika z tych wyborów. Neo4j ma teraz punkt wejścia dla deweloperów, których bezpośrednie potrzeby nie uzasadniają osobnej usługi grafowej. To, czy rozszerzy to długoterminową adopcję, zależy od aplikacji budowanych wokół tego rozwiązania.

Premiera daje również deweloperom powód, by ponownie przeanalizować dawne założenia dotyczące umiejscowienia magazynu danych. Baza danych może należeć do zadania, aplikacji lub współdzielonej organizacji. Relate czyni pierwsze z tych możliwości bardziej widocznymi w kierunku rozwoju produktów Neo4j.

W następnym projekcie agenta określ relacje, za którymi musi podążać skuteczna odpowiedź, zanim wybierzesz warstwę magazynowania. Zdecyduj, czy relacje te należą do tymczasowego zadania, czy do trwałego zapisu. Następnie porównaj lokalne przechowywanie grafu z najprostszą alternatywą spełniającą te same wymagania. Uwzględnij użycie pamięci, odzyskiwanie, śledzenie źródeł oraz wysiłek potrzebny do utrzymania aktualności informacji. Neo4j Relate zasługuje na uwagę tam, gdzie powiązane dane i lokalna własność są zgodne. Zacznij od ograniczonego obciążenia, którego wynik możesz zweryfikować, a następnie oceń, czy baza danych ułatwia uzyskanie i wyjaśnienie tego wyniku. Jakie połączenia twój agent rzeczywiście musi pamiętać i kto pozostanie za nie odpowiedzialny po zakończeniu zadania?

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page