Neo4j entwickelt Tools, die Dokumente und Warehouse-Daten in Wissensgraphen verwandeln

Kontext aus vorhandenen Daten schaffen

In einem Beitrag vom 10. November 2026 beschrieb Neo4j einen Wissensgraphen als Möglichkeit, Beziehungen zwischen Kunden, Konten, Krediten und Dokumenten abzubilden. Nach Angaben des Unternehmens können diese Beziehungen einem KI-Agenten helfen, komplexe Fragen zu beantworten und Verbindungen zu erkennen, die möglicherweise übersehen werden, wenn Informationen in Tabellen oder Dokumenten verbleiben.

Neo4j zufolge mussten Unternehmen mit Terabytes an Tabellendaten und Hunderten von Dokumenten traditionell zunächst umfangreiche Kopier-, Modellierungs- und Extraktionsarbeiten durchführen, bevor sie einen nutzbaren Wissensgraphen erstellen konnten. Das Unternehmen präsentiert Document Intelligence und Virtual Graph als Möglichkeiten, diesen Aufwand bei der Arbeit mit vorhandenen Informationen zu reduzieren.

Document Intelligence extrahiert einen Graphen aus Dateien

Document Intelligence verwandelt unstrukturierte Dokumente in einen Graphen, ohne dass Nutzer die Informationen von Hand extrahieren müssen. Neo4j zufolge unterstützt das Tool reine Textdateien, PDFs und Microsoft-Word-Dateien und erfordert keine Programmierkenntnisse.

Im Beispiel des Unternehmens weist ein Markdown-Geschäftsplan für das Unternehmen von Rosa Alvarez aus, dass Rosa 70 % und Marcus Alvarez 30 % besitzen. Außerdem enthält er eine EIN, eine Adresse, einen Kreditantrag über $400,000, eine Tabelle zur Mittelverwendung und eine Begründung für die Rückzahlung. Document Intelligence extrahiert Personen, Organisationen und den Kreditantrag in einen Graphen.

Nutzer laden zunächst ein Dokument hoch und schreiben einen Prompt, der die Extraktion steuert. Neo4j zufolge können zusätzliche Prompts das Graphmodell verfeinern, während eine Vorschau die Erkundung des resultierenden Graphen ermöglicht.

Virtual Graph arbeitet mit Warehouse-Tabellen

Virtual Graph erstellt ein Graphmodell auf Basis vorhandener Warehouse-Tabellen, ohne die Daten zu kopieren oder eine Migration zu erfordern. Das Tool übersetzt Cypher-Abfragen in SQL, das im Warehouse ausgeführt wird. Nach Angaben von Neo4j verbleiben die Daten im Warehouse, während die Abfrage dorthin gesendet und nur deren Ergebnis zurückgegeben wird.

Das Beispiel von Neo4j nutzt die Nordtell Bank, deren Kundeninformationen in 12 Databricks-Warehouse-Tabellen zu Kunden, Konten, Transaktionen, Kredit-Scores und Kreditfazilitäten gespeichert sind. Das Graphmodell verbindet diese Datensätze, sodass ein KI-Agent die Bankbeziehung eines Kunden prüfen kann, bevor er eine Empfehlung zum Geschäftskredit von Rosa abgibt.

Teams können das Graphmodell manuell definieren, es aus einem Datenbankschema generieren oder mithilfe von KI aus Tabellenmetadaten erstellen. Neo4j zufolge können Nutzer das Ergebnis anschließend in einem Point-and-Click-Editor verfeinern.

Was das für KI-Agenten bedeutet

Die beiden Produkte schaffen im Beispiel getrennte Quellen für vernetzten Kontext: Document Intelligence erstellt einen Graphen aus Rosas Geschäftsplan, während Virtual Graph einen Graphen über den Databricks-Tabellen der Bank aufbaut. Neo4j zufolge wird ein späterer Beitrag diese Quellen verbinden, damit ein Agent den Kreditantrag über $400,000 prüfen kann.

Für Nutzer bietet dieser Ansatz eine Möglichkeit, Dokumente und Warehouse-Datensätze als strukturierte Beziehungen verfügbar zu machen, statt als isolierte Zeilen oder Dateien, die vollständig gelesen werden müssen. Die weiter gefasste Serie des Unternehmens behandelt außerdem Ontologie-Design, zusammengesetzte Datenbanken und die Fundierung von Entscheidungen in Präzedenzfällen.