如何从 PDF 构建金融知识图谱？
meng shao(@shao__meng)571 字 (约 3 分钟)
92
LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 到可查询、可溯源、可推理的知识图谱的完整流程：上传 → ADE 提取 → 归一化 → 双库索引 → 风险检测。
入选理由：使用 LandingAI ADE 实现结构化提取，>15MB 文档走异步 + 指数退避机制
精选推文#知识图谱#金融合规#PDF 解析#Weaviate#Neo4j中文
产品
Neo4j
图数据库，用于建模复杂的数据关系，支持 Java 开发者在 Spring Boot 应用中使用。
已跟踪 10 条高相关材料
TraeAI 观察
最近变化
2026-06-09 · 图数据库更适合处理高度关联的数据，避免了传统数据库中复杂的关联表问题。
为什么值得关注
Neo4j 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Neo4jAIAI AgentsKnowledge GraphQdrant
如果只读 3 篇
1
如何从 PDF 构建金融知识图谱？ LandingAI 黑客松项目「ArthaNethra」，展示了从 PDF 到可查询、可溯源、可推理的知识图谱的完整流程： 上传 → ADE 提取 → 归一化 →...
meng shao(@shao__meng) · 9.2 分
LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 构建金融知识图谱的端到端流程：上传 → ADE 提取 → 归一化 → 双库索引 → 风险检测，支持 10 类实体、26 种关系，结合 Weaviate（语义检索）与 Neo4j（图遍历），实现可查询、可溯...
2
Thinking in Relationships: Practical Graph Database Modelling in Java with Neo4j by Paulien van Alst
Spring I/O · 8.5 分
图数据库在处理高度关联数据时优于传统关系型数据库，Neo4j 是 Java 开发者建模关系的实用工具。
3
Fast retrieval is table stakes. Retrieval that respects who's asking, what they're allowed to see, a...
Qdrant(@qdrant_engine) · 8.5 分
Qdrant 提出了一种结合 Neo4j 图治理层的架构，实现符合企业政策的向量检索。
相关材料
已收录 10 条与 Neo4j 相关的内容，按评分排序。
Thinking in Relationships: Practical Graph Database Modelling in Java with Neo4j by Paulien van Alst
Spring I/O9858 字 (约 40 分钟)
85
图数据库在处理高度关联数据时优于传统关系型数据库，Neo4j 是 Java 开发者建模关系的实用工具。
入选理由：图数据库更适合处理高度关联的数据，避免了传统数据库中复杂的关联表问题。
精选视频#Neo4j#图数据库#Java#Spring Boot英文
Fast retrieval is table stakes. Retrieval that respects who's asking, what they're allowed to see, a...
Qdrant(@qdrant_engine)176 字 (约 1 分钟)
85
Qdrant 提出了一种结合 Neo4j 图治理层的架构，实现符合企业政策的向量检索。
入选理由：企业级 AI 需要结合向量检索与图治理层以确保合规性。
精选推文#Qdrant#Neo4j#向量检索#企业 AI中英混合
One Flexible Tool Beats a Hundred Dedicated Ones
Towards Data Science1875 字 (约 8 分钟)
85
在2026年启动时，用户需要安装MCP服务器以让LLM代理与系统交互。
入选理由：MCP design allows agents to pick the right tool from a menu without needing to build complex tools.
精选文章#model#tool#flexibility中文
连接拼图以实现精准 AI
Stack Overflow Blog192 字 (约 1 分钟)
85
Graph RAG 通过结合向量与知识图谱，显著提升企业级 AI 的准确性，解决模型因训练数据过时导致的上下文腐烂问题。
入选理由：Graph RAG 结合向量与知识图谱，减少上下文腐烂，提升企业级 AI 准确性。
精选文章#AI 代理#Graph RAG#知识图谱#Neo4j#企业 AI英文
通过钩子实现跨代理的统一记忆层
Towards Data Science1736 字 (约 7 分钟)
85
文章提出通过钩子实现跨代理的统一记忆层，提升代码工具的可移植性和数据一致性。
入选理由：使用钩子实现跨代理共享记忆层
精选文章#AI#代码工具#架构设计中文
为什么你的Agent需要决策轨迹，而不仅是文档——Zach Blumenfeld，Neo4j
AI Engineer3906 字 (约 16 分钟)
78
Agent仅靠文档检索（如RAG）无法支撑高质量决策，必须引入含决策轨迹、因果链与先例的上下文图，才能实现可解释、高准确率的自主决策；Neo4j提供工具链支持快速构建。
入选理由：上下文图（context graph）不仅包含实体与事实，更整合决策轨迹、因果链和历史先例，使Agent能回答‘为何拒绝/接受’而非仅‘是什么’。
精选视频#Agent#图数据库#Neo4j#决策可解释性#RAG英文
Qdrant on X: '向量告诉你相似的，但不告诉你连接的。' Stephen Chin (Neo4j 开发者关系副总裁)
Qdrant(@qdrant_engine)208 字 (约 1 分钟)
75
Stephen Chin 将在 Vector Space Day 上发表演讲，讨论上下文图如何提供代理所需的关系理解，使其能够进行推理。
入选理由：上下文图提供代理所需的关系理解，使其能够进行推理。
精选推文#Vector Space Day#Stephen Chin#上下文图#推理#AI中文
面向可解释、决策感知型AI代理的上下文图谱 — Andreas Kollegger & Zaid Zaim, Neo4j
AI Engineer3992 字 (约 16 分钟)
72
上下文图谱在知识图谱基础上嵌入决策规则与策略，使AI代理不仅具备知识，更能理解‘为何行动’，实现可解释的上下文驱动决策。
入选理由：Context graphs add policy/rule layers atop knowledge graphs to answer the 'why' behind agent decisions, not just the 'what'.
精选视频#知识图谱#AI代理#Neo4j#上下文工程#可解释AI英文
Qdrant宣布技术大会阵容
Qdrant(@qdrant_engine)96 字 (约 1 分钟)
35
这是一则关于技术大会的推广信息，宣布Qdrant将举办关于向量搜索、AI内存、上下文工程等方面的技术讲座。
入选理由：Qdrant将举办技术大会聚焦向量搜索和AI基础设施
精选推文#向量搜索#AI大会#技术活动#Qdrant#技术讲座英文