图数据库的AI卡位战：从文档入口到Agent记忆层

一、Document Intelligence GA：图谱构建的“平民化”与入口争夺

背景与上下文。 知识图谱这个概念在数据行业并不新鲜，但长期存在一个致命的落地断点：构建门槛太高。企业要做本体设计、实体识别、关系抽取，需要数据工程团队投入专项人力维护一套复杂ETL管道。结果是，图谱项目往往卡在第一步，大量非结构化文档资产沉睡在文件系统里，无法转化为可查询的结构化知识。Neo4j此次宣布Document Intelligence在AuraDB云服务上正式商用（GA），正是冲着这个断点去的。

数据与事实。 根据官方发布信息，几个关键事实值得记录：

• GA覆盖AuraDB全部三个服务层级：Free（免费版）、Professional（专业版）和Business Critical（关键业务版），从个人开发者到大型企业客户均可使用；
• 支持包括纯文本（plain text）在内的常见文档形态，散落在文档中的非结构化信息可自动转化为实体、关系和图谱数据；
• 文档摄入、实体与关系抽取、图谱落库被整合为一条顺畅路径，无需从零设计本体模型、无需编写抽取管道、无需维护额外ETL；
• 结合AuraDB全托管服务，用户可在云端完成文档解析、图谱构建到查询应用的完整流程。

一句话概括官方的产品叙事：“文档进、图谱出”成为开箱即用的能力。

产业逻辑与判断。 这条发布的价值不在技术本身，而在位置。大模型时代，企业最稀缺的不是算力而是高质量的私有知识供给，谁能把企业文档资产转成LLM可用的结构化上下文，谁就占据了AI数据管道的入口。Neo4j把文档理解能力内置到自家云图数据库里，本质上是把AI数据摄入的入口牢牢留在平台上——数据从文档流入图谱的那一刻起，后续的查询、检索、应用都自然沉淀在Neo4j生态内。

另一个值得注意的细节是免费层级的开放。免费版意味着开发者和中小企业可以零成本上手，这是典型的开发者漏斗：先用免费层扩大GraphRAG、智能问答等LLM场景的开发者基础，再随工作负载增长向Professional和Business Critical收敛。对一个依赖云订阅收入的数据库厂商来说，获客成本花在入口，利润收在下游。

AuraDB三层级的GA覆盖情况：

对用户而言，GA后真正需要验证的是三件事：抽取准确率、可处理的文档规模、API成本，以及免费版的功能边界在哪里。官方叙事解决的是“能不能用”，而生产环境的“好不好用”要等实际场景检验。

二、GraphRAG与Agent记忆层：图数据库的位置重估

背景与上下文。 这一波GraphRAG的走红，暴露了纯向量检索的一个结构性短板：向量只保留语义相似性，丢失了实体间的结构化关系。当大模型需要回答涉及多跳关联、需要追溯实体间链条的复杂问题时，纯向量检索给出的上下文往往是“语义接近但结构断裂”的片段。知识图谱的价值恰恰在这里——它保留实体间的结构化关系，让大模型在回答复杂问题时拥有更可靠的上下文。

数据与事实。 Neo4j的两份材料共同勾勒了这个定位：其一，Document Intelligence被明确置于GraphRAG浪潮的背景下发布，官方将图谱构建门槛从“数据工程团队的专项工作”降为“普通开发者的一条命令”；其二，Neo4j发布开发者博客，标题相当直白——“无论你在哪里构建Agent，Neo4j都已经就位”。该博客的核心主张是：构建AI Agent时不必从零搭建基础架构，Agent所需的上下文（context）、记忆（memory）与推理（reasoning）能力，可以直接映射到开发者既有的技术栈之上，而Neo4j已经建成一套覆盖广泛的集成库，所有集成具备两个特征：完整的文档支持，以及经过实际验证、可正常运行。

产业逻辑与判断。 把两件事放在一起看，逻辑是连贯的：Document Intelligence解决“知识从哪来”，集成库解决“知识到哪去”。前者锁定AI数据摄入的上游入口，后者把图数据库嵌入Agent开发框架与生态，卡住记忆与上下文层的中游位置。

Agent应用当前普遍面临三个难题：上下文管理、长期记忆、多跳关系推理。图模型在表达实体关系与知识结构方面有天然优势，这让图数据库在Agent基础设施中的角色不再只是“一个存储工具”，而是Agent栈里的关键一环。需要清醒的是，这与其说是技术突破，不如说是Neo4j对市场节奏的一次回应——在Agent基础设施竞争白热化的当下，用生态覆盖度证明“你的Agent栈里早就有我的位置”。这类卡位的护城河是生态而非内核，一旦主流Agent框架原生内置更好的结构化记忆方案，先发的集成优势会被快速稀释。

图谱上下文 vs 纯向量检索的能力差异（基于参考材料中的定性描述）：

背景与上下文。 以Neo4j此次连续发布为样本，可以看到数据库产业在AI周期里的价值链正在重构。传统数据库产业链是“芯片/基础设施—数据库内核—行业应用”的纵向结构；AI周期里，一条新的横向管道叠加进来：企业非结构化数据 → 数据理解与抽取 → 结构化知识存储 → LLM/Agent消费。图数据库厂商的野心是同时占住这条横向管道的上游和中游。

产业链各环节拆解（以下价值量判断为本报告的分析判断，非引用数据）：

• 上游：数据源与AI基础设施。 上游两块：一是企业的非结构化文档资产——这是整条管道的“原材料”，其规模和质量直接决定图谱价值上限；二是支撑文档理解与图谱构建的基础能力（文档解析、LLM驱动的抽取、云底座）。原材料端的瓶颈是数据质量与格式异构性，纯文本可以自动处理，但表格、扫描件、行业专有格式的解析仍是硬骨头。
• 中游：数据库内核与全托管云服务。 这是利润池最厚的一层。以Neo4j为代表，中游的核心资产有两项：图数据库内核（存储与查询引擎）和全托管云服务AuraDB（Free/Professional/Business Critical三级订阅）。本轮产业变化的关键在于，中游厂商正在把原本属于上游/工具层的文档理解能力（Document Intelligence）收编进自家平台，压缩了独立数据集成与ETL工具的生存空间。瓶颈环节是抽取准确率与规模化处理能力——GA之后能否在生产环境站住，取决于此。
• 下游：LLM应用与开发者生态。 下游是GraphRAG、智能问答、AI Agent等应用场景。这个环节的特点是极度分散、框架迭代快，单一厂商无法全部覆盖，因此Neo4j选择“广泛集成库+文档化+可运行验证”的生态打法。下游的瓶颈是集成的新鲜度——Agent框架迭代速度远快于数据库厂商的发版节奏。

产业判断。 这条产业链最值得警惕的信号是中游对上游工具层的收编。当Document Intelligence这类能力“文档进、图谱出”地内置到数据库里，独立的图谱构建工具、ETL厂商的中间价值被挤压。数据库厂商向AI数据管道上游延伸的趋势已经越来越明确——这不是Neo4j一家的动作，而是整个品类在AI周期的生存策略：要么占住入口，要么被绕过。

四、竞争策略解构：免费层、集成库与“入口卡位”三板斧

背景与上下文。 把Neo4j近期的动作串起来看，是一个完整的竞争策略组合。单看每一次发布都像是常规产品更新，但组合在一起，是一套针对AI开发者群体的系统性卡位。

数据与事实。 三个动作构成组合：第一，Document Intelligence在AuraDB三个层级（含Free免费版）全面GA，把图谱构建从数据工程专项降为普通开发者的一条命令；第二，发布“无论你在哪里构建Agent，Neo4j都已经就位”的集成库主张，用“完整文档+可运行验证”的广泛集成覆盖主流Agent开发框架与平台；第三，全程绑定AuraDB全托管云服务，让从文档解析、图谱构建到查询应用的完整流程都在云端完成。官方给开发者的操作路径也很具体：先在集成库中找到与自己技术栈匹配的官方集成，参考文档化的工作示例快速搭建原型，再逐步将Agent的记忆与推理层沉淀到图数据库中。

产业逻辑与判断。 这套组合的商业逻辑是三层漏斗：

1. 免费层获客：Free层级零成本上手，降低的是尝鲜门槛，扩大的是GraphRAG、智能问答场景的开发者基数；

2. 集成库留客：一旦Agent的记忆与推理层沉淀进图数据库，迁移成本随数据积累持续上升——记忆层是典型的“越用越粘”的资产；

3. 托管服务变现：工作负载增长后向Professional和Business Critical收敛，云订阅收入接住前两层漏下来的用户。

这套打法的对手盘也清晰：所有试图在Agent记忆层建立事实标准的框架方和云厂商。图数据库厂商的相对优势是图模型对实体关系与知识结构的天然表达力；相对劣势是离开发者更远——开发者先选框架再选存储，数据库是被动选择。因此Neo4j才要用“你的Agent栈里早就有我的位置”这种生态覆盖度叙事来改变选择顺序。

风险点同样要指出。 参考材料明确了用户侧需要验证的问题清单：GA后的抽取准确率、处理的文档规模、API成本、免费版功能边界。如果生产环境表现不达预期，“一条命令建图谱”的宣传与真实体验之间的落差会反噬开发者信任。此外，免费层“零成本上手”与商业版之间的功能切割如果过于激进，漏斗反而会漏水。对观察者而言，未来两个季度最值得跟踪的指标是：企业级付费层级的转化情况，以及集成库对主流Agent框架新版本的实际跟进度。

策略组合小结：

结语

回到主题：数据库领域近期最值得关注的产业信号，不是某个功能点的发布，而是数据库厂商集体向AI数据管道上游移动的趋势确认。Neo4j用Document Intelligence的GA把图谱构建门槛从“数据工程专项”压到“一条命令”，用覆盖三个层级的AuraDB把免费开发者转化为企业订阅，再用一套文档化、可验证的集成库把自己的位置预先埋进每一个Agent技术栈——三板斧打的是同一个目标：在LLM时代，图数据库不只是存储和查询工具，而是连接大模型与企业私有知识的关键环节。

前瞻判断有两条。其一，GraphRAG与Agent记忆层的竞争将在未来数个季度白热化，“结构化上下文”相对于纯向量检索的价值需要生产环境数据来验证，抽取准确率、文档规模与API成本是硬指标，宣传叙事替不了。其二，数据入口的争夺将重塑数据库工具层格局——被中游平台收编的能力（文档理解、抽取、集成）所在的独立厂商，将面临最直接的价值挤压。对从业者的建议很朴素：盯住GA之后的真实生产表现，而不是发布会。

注：本报告事实均来自Neo4j公开发布材料，产业链价值量判断与竞争策略分析为本报告观点，供产业观察参考。