别再只卷向量了，Agent在换思路
传统RAG靠语义相似度打分检索，但相关实体未必用相似的词。Neo4j连续发文推动上下文检索与智能体记忆体系，从工具、语义层到技能固化，Agent基础设施正在从向量库向关系化知识底座迁移。本文拆解这一技术转向背后的产业逻辑与工程代价。
过去两年，所有做RAG的团队都在调Embedding模型、切分策略、重排序器。但Neo4j最近连发的两篇技术文章，指向了同一个被忽视的问题：检索的瓶颈不在相似度算法，而在上下文本身。一篇讲上下文检索（Contextual Retrieval），一篇讲从记忆到行为的固化回路。两篇合起来看，信号很明确——Agent时代的数据底座，正在换一套逻辑。
很多向量检索已调到极致的团队，私下都在讨论一件事：相似度分数再高，答案不对就是不对。这条路的天花板，比想象中来得早。
🔍 相似度打分，正在漏掉关键信息
先看一个所有做过RAG的人都遇到过的场景。
用户问一个业务问题，系统把查询切词、Embedding、和库里存的文本块逐一算相似度，返回Top-K。工程上没毛病，但结果常常离谱：明明库里有一条高度相关的信息，它就是没被召回。
Neo4j在文章里点破了根因：信息不需要用相似的词来表达，才算相关。数据实体之间的关系，可能完全不走表面词汇。两个文本块没有一个共同的关键词，却在业务语义上强关联——传统基于语义相似度打分的RAG系统，对此无能为力。
这不是算法没调好，是范式本身的天花板。相似度检索的隐含假设是：相关≈语义相近。而这个假设，在多跳推理、跨实体关联的场景下会系统性失效。
打个比方，你问“负责华东区客户的供应商审核流程是谁签的字”，字面上和“采购合规审批记录”毫无重叠，但它就是答案所在的那条记录。向量模型再强，也很难跨越这种词汇鸿沟。
据多位接近企业级RAG落地的从业者反馈，检索召回率卡在瓶颈期的项目，问题十有八九不在Embedding选型，而在“库里到底存了什么结构”。
🧠 上下文检索，把关系补回检索
一句话点破：检索要的不是相似的词，而是相关的上下文。
Neo4j给出的方向是上下文检索——不再孤立地对文本块打分，而是让检索过程理解实体之间的关系结构。同样是“找出相关内容”，路径完全不同：
左边的路径，是过去三年几乎所有RAG团队的标配；右边的路径，把实体和关系纳入了检索决策。这不是要把向量库推翻重来——向量化本身依然有价值，而是说，单靠相似度排序已经不够，结构化关系必须成为一等公民。
用一张表对比两种范式的差异会更清楚：
| 维度 | 传统RAG | 上下文检索 |
|---|---|---|
| 检索依据 | 语义相似度打分 | 实体关系+语义结合 |
| 隐含假设 | 相关词才相关 | 关联实体不需相似词 |
| 弱点 | 跨实体多跳关联漏召回 | 建图与维护成本 |
| 适配场景 | 单点事实问答 | 多跳推理、复杂关联 |
对深耕图数据库的Neo4j来说，这个叙事并不意外——图天然擅长表达“实体间的关系”。但值得注意的是它发布这些内容的姿态：不是卖图数据库，而是定义“Agent该怎么找上下文”这个方法论问题。谁定义了检索范式，谁就站在AI数据栈的上游。
🔁 从记忆到行为，Agent在学会自我固化
第二篇更值得琢磨。这是Neo4j自学习多智能体系列的第三部分，与前两部分共同作者包括Firat Tekiner。三篇文章串起来，就是一条完整的演进时间线：
工具与钩子
语义层与记忆
技能、用户画像与固化回路
第一部分解决Agent怎么用工具、怎么通过钩子感知环境；第二部分引入语义层和记忆，让Agent“记住”发生过的事；第三部分走到了最关键的一步——把积累的经验变成程序化的技能和用户画像，再喂回给Agent。
这就是所谓的固化回路（Consolidation Loop）：
这套设计的产业含义在于：Agent的记忆不再只是“聊天记录的存档”，而是被持续提炼成可复用的行为资产。技能是流程化的操作知识，用户画像是关于服务对象的结构化理解——两者共同决定了Agent下一步怎么行动。
一个现实的类比：客服团队里，老员工和新员工的差距不在知识库，而在肌肉记忆和对客户的了解。固化回路做的，就是把这种“隐性经验”持续显性化、结构化。Agent的护城河，不在模型参数里，在它的记忆资产里。
⚠️ 对数据团队的三个实在判断
概念讲完了，说点工程上真金白银的事。这波从相似度检索走向上下文检索、从记忆走向行为固化的转向，对数据基础设施团队意味着三件事。
第一，图和向量的融合是刚需，不是选装包。 向量检索解决“找相似的”，图解决“找相关的”，Agent两者都需要。这意味着数据栈里要么引入图数据库，要么在现有平台里补上实体关系层。从成本角度，不必推倒重来——在现有管道里增加实体抽取和关系存储，往往是最务实的路径。
第二，记忆管理会成为新的数据治理课题。 技能库和用户画像本质上是持续更新的结构化数据，涉及质量、时效、权限。画像尤其敏感——它聚合了用户行为，更新和访问边界需要提前设计，这直接落入治理与安全的范畴。
第三，评估体系要换。 别再用“相似度分数”评估检索质量，要用任务完成率和召回正确率评估。上下文检索的收益恰恰在传统指标照不见的地方：跨实体、多跳、词汇不重叠的查询。
pie title 固化回路中三类核心资产
"程序化技能" : 35
"用户画像" : 25
"原始记忆与交互" : 40
这个占比是示意性的，但它说明一个方向：Agent数据栈的价值重心，会逐步从原始交互存储，向提炼后的技能与画像资产迁移。存储原始记忆是成本，沉淀技能资产才是复利。
小结
向量检索是RAG的第一程，上下文检索是第二程，记忆固化是第三程。Neo4j的三部曲给出了清晰的路线：工具、语义层与记忆、技能与画像。对数据团队而言，现在该做的不是急着重构，而是先盘点——你的检索里有没有关系，你的Agent记忆里有没有回路。下一轮AI基础设施的竞争，不在模型大小，而在上下文的组织方式。
“本文基于Neo4j官方博客《What is contextual retrieval? How AI agents find the right context》与《From memory to behavior: skills, user profiles, and the consolidation loop》两篇内容展开分析与推演。