Neo4j veröffentlicht Agenten-Integrationen für AWS, Google, Vercel und Salesforce

Ein Graph hinter vielen Agenten-Stacks

In einem Blogbeitrag vom 6. Oktober 2026 schreibt Neo4j, jedes Team, das einen Agenten baut, löse am Ende dieselben Probleme: wie sich ein Knowledge Graph mit Tools wie LangGraph, AWS Strands oder Salesforce Agentforce verbinden lässt und wie der Speicher eines Agenten über eine einzelne Sitzung hinaus erhalten bleibt und in einem größeren System aus Agenten geteilt werden kann.

Neo4j erklärt, man habe erarbeitet, wie Plattformen, Frameworks und APIs zusammenspielen, und die Ergebnisse als Neo4j-Labs-Integrationen veröffentlicht. Zu jeder gehören dokumentierte Muster, funktionierender Code und Hinweise zur Architektur. Laut dem Unternehmen reicht das Spektrum vom nativen Modellzugriff über MCP-Server bis zu GenAI-Frameworks.

Der Code aller Integrationen liegt an einem Ort, im Repository neo4j-agent-integrations auf GitHub. Neo4j gibt außerdem an, jede Integration sei produktionsreif, mit Plattformsicherheit, Deployment-Schritten und Tests vor dem Start.

Abruf, Aktion und Gedächtnis

Neo4j argumentiert, jeder Agent brauche von einem Graphen zwei Dinge: eine Möglichkeit, Graphdaten abzurufen und darauf zu reagieren, sowie eine Möglichkeit, sich zu erinnern und zu lernen. Abruf und Aktion gehören zur Aktionsphase der Agentenschleife, in der ein Agent den Graphen abfragt und aktualisiert und die benötigten APIs und Datenbanken aufruft. Das Gedächtnis fließt vor der Aktion in Planung und Schlussfolgerung ein und wird in der Beobachtungsphase aktualisiert.

Das Unternehmen sagt, Teams unterschätzten den Speicher häufig, und nennt ihn eine architektonische Notwendigkeit für Workflows mit mehreren Agenten, die synchron arbeiten müssen. Neo4j Agent Memory ergänzt Kurzzeit-, Langzeit- und Reasoning-Memory. Nach Angaben von Neo4j speichert es das Gedächtnis als verbundenen Graphen aus typisierten, aufgelösten Entitäten, sodass drei Verweise auf denselben Kunden zu einem Knoten mit angehängten Fakten zusammenfallen. Das Reasoning-Memory hält die Entscheidungen des Agenten gemeinsam mit den zugrunde liegenden Belegen fest.

Entwickler können sich auf mehreren Wegen verbinden:

• Über den offiziellen Neo4j-MCP-Server, lokal oder gehostet
• Über Neo4j-Treiber, für eigene Verbindungen in individuellen Tools
• Über Aura Agents MCP
• Über Neo4j Agent Memory und den Neo4j Agent Memory Service (NAMS), speziell für die Gedächtnisschicht

Beispiele für einzelne Plattformen

AWS. Neo4j beschreibt den Einsatz von AWS Strands und AgentCore mit einem Neo4j-MCP-Server. Agenten können AgentCore Memory nutzen, oder Neo4j Agent Memory mit direkter Graphvisualisierung, um Kontext zu erfassen und frühere Ergebnisse zu behalten. Eine Einrichtungsanleitung zeigt, wie sich das AWS AgentCore Gateway mit externen Neo4j-MCP-Servern verbinden lässt, die auf AWS Fargate laufen.

Google. Die Integrationen für ADK und Gemini Enterprise lassen einen Agenten über einen Graphen schlussfolgern, bevor er handelt, und Genkit bietet einen direkten Weg von Googles Entwickler-Tools zu Neo4j. Als Beispiel nennt Neo4j einen Lieferketten-Agenten, der einen Teilemangel über Lieferantenbeziehungen und abhängige Aufträge zurückverfolgt. Der Beitrag enthält ein ADK-Beispiel, das ein MCP-Toolset zur Abfrage des Graphen mit einem Memory-Tool zum Abrufen früherer Sitzungen kombiniert.

Vercel. Die Integration des AI SDK macht Neo4j Agent Memory zu einem Memory-Provider für eine bestehende App, mit NAMS Chat als funktionierendem Beispiel. Neo4j denkt dabei an einen kundennahen Assistenten, der Präferenzen und frühere Anfragen über mehrere Besuche hinweg behält. Das Beispiel zeigt einen MCP-Client, der Tools an einen einzigen generateText-Aufruf übergibt.

Salesforce Agentforce. Neo4j nennt drei Integrationen, die Agentforce-Agenten in Knowledge Graphs verankern: einen nativen MCP-Client für Grounding und Multi-Agenten-Setups sowie External Service Actions und Apex Actions, entweder für einen vollständig deklarativen Weg oder für volle individuelle Kontrolle. Ein direkter Weg zu dauerhaftem Gedächtnis führt über Neo4j Agent Memory.

Roadmap und Bedeutung für Entwickler

Als Nächstes stehen CrewAI und Haystack 3.0 auf der Roadmap. Neo4j sagt, Neo4j Agent Memory gebe CrewAI-Crews bereits ein gemeinsames, persistentes Gedächtnis. Haystack wird über den neo4j-haystack-Dokumentenspeicher unterstützt, doch Haystack 3.0 brachte inkompatible Änderungen mit sich, darunter einen schlankeren Kern, eine zusammengeführte Pipeline-Klasse und ein neues System für Agenten-Hooks.

Der Beitrag eröffnet zudem eine Serie, die jeweils ein Framework oder eine Plattform in einer vollständigen Implementierung durchgeht und dabei Entscheidungen wie MCP gegenüber Treibern oder selbst gehostetes Memory gegenüber NAMS behandelt.

Für Entwickler, die bereits auf einem dieser Stacks arbeiten, besteht das Angebot in einem Ausgangspunkt aus lauffähigem Code und Architekturhinweisen statt in individueller Integrationsarbeit. Neo4j gibt außerdem an, dass Neo4j Agent Memory durch nahezu alle Integrationen läuft, sodass Agenten auf verschiedenen Plattformen aus demselben Gedächtnis schöpfen und dazu beitragen können.