Neo4j Agent Memory MCP Server：让 AI 记住一切的知识图谱记忆系统

Neo4j Agent Memory Banner

当 AI 也会"遗忘"：一个真实的痛点场景

你正在和 Claude 讨论一个复杂项目，Claude 提到了三个月前你们讨论过的某个技术方案。你问 Claude："上次我们讨论的那个方案，你还记得吗？"Claude 回答："抱歉，我没有对之前对话的记忆。"

这是每一个 AI Agent 用户都曾遇到的尴尬时刻。AI 模型本身不持久化状态，每次对话都是从零开始。对于需要跨会话积累上下文的企业场景来说，这是致命的限制。

Neo4j Agent Memory MCP Server 正是为了解决这一问题而诞生的。它为 AI Agent 提供了一个基于图数据库的外部记忆系统，让 AI 可以像人类一样，在会话之间持久化存储信息、建立概念之间的关联，并随时检索和推理。

背景：MCP 协议与 AI Agent 的记忆困境

MCP（Model Context Protocol）是 Anthropic 主导推出的 AI Agent 工具交互标准，类似于 USB 接口之于硬件设备——只要设备支持 USB，就能连接任何兼容配件。MCP 的核心理念是：让 AI Agent 通过统一的协议调用外部工具，而不必为每个工具单独适配。

在这个生态中，"记忆"一直是个薄弱环节。传统的解决方案如向量数据库（Vector DB）适合语义检索，但在处理实体间复杂关系时力不从心。而 Neo4j 作为业界领先的图数据库，天生适合表达"谁认识谁"、"什么项目属于哪个公司"这类关系型知识。

KnowAll-AI 团队敏锐地捕捉到了这个技术交叉点，推出了这款 MCP Server，将 Neo4j 图数据库的能力无缝桥接到 AI Agent 的工作流中。项目基于 MIT 协议开源，已获得 71 颗 GitHub Stars，在 MCP 生态中属于记忆管理领域的早期探索者。

核心功能：从原子操作到复杂推理

这套系统的设计哲学独树一帜：把复杂性交给 LLM，而不是工具本身。 项目只提供简单、原子化的记忆操作工具，而把实体识别、关系推理、歧义消解等智能判断全部交给调用它的 LLM。这种设计的好处是，随着 LLM 能力的提升，记忆系统的能力也会自动水涨船高，不需要修改任何工具代码。

十大记忆操作工具

工具名称	功能描述
`create_memory`	创建任意类型的记忆节点（人物、地点、项目等）
`search_memories`	词元化搜索，返回包含任意匹配词的结果
`create_connection`	在两个记忆节点之间建立语义关系（KNOWS、WORKS_AT 等）
`update_memory`	修改已有记忆的属性
`update_connection`	更新关系上的元数据
`delete_memory`	删除记忆及其所有关联关系
`delete_connection`	精确删除特定关系
`list_memory_labels`	列出系统中所有记忆类型及数量
`get_guidance`	获取记忆管理的最佳实践指导

图数据库的威力：从孤立事实到关系网络

真正让这套系统区别于简单 KV 存储的，是关系建模能力。来看一个具体例子：

当你告诉 AI "John 在 Google 工作，Sarah 是 John 的经理"，传统的 KV 存储只能分别存储两条独立信息。但在这套系统中，AI 会自动：

创建 Person: John 节点（属性：name、occupation）
创建 Organization: Google 节点
创建 Person: Sarah 节点（属性：name、role、start_year）
用 WORKS_AT 关系连接 John → Google
用 MANAGES 关系连接 Sarah → John

之后当你问"谁在 Google 工作"或"John 的老板是谁"时，AI 可以通过图遍历（Graph Traversal）给出精确答案，而且可以追溯任意深度的关联路径。

搜索策略：词元化而非精确匹配

search_memories 工具采用词元化（Word Tokenization）搜索策略：查询 "John Smith" 会同时返回包含 "John" 或 "Smith" 的所有记忆。这种设计是有意为之——它把筛选和排序的工作交给 LLM，让 LLM 从更多候选中选取最相关的。相比精确匹配，这种策略在自然语言查询场景下更加灵活和鲁棒。

部署与集成：从零到跑起来

方式一：npx 一键运行（最简）

npx @knowall-ai/mcp-neo4j-agent-memory

需要配置 4 个环境变量：

变量	说明	示例
`NEO4J_URI`	Neo4j 连接地址	`bolt://localhost:7687`
`NEO4J_USERNAME`	用户名	`neo4j`
`NEO4J_PASSWORD`	密码	`your-password`
`NEO4J_DATABASE`	数据库名（可选）	`neo4j`

方式二：Docker 容器化

项目提供了完整的多阶段 Dockerfile：

# 构建镜像
docker build -t mcp-neo4j-agent-memory .

# 运行（需要预先配置 .env 或传入环境变量）
docker run -e NEO4J_URI=bolt://host.docker.internal:7687 \
           -e NEO4J_USERNAME=neo4j \
           -e NEO4J_PASSWORD=*** \
           mcp-neo4j-agent-memory

方式三：Smithery 一键安装到 Claude Desktop

Smithery 是 MCP 生态的"应用商店"，支持一键安装：

npx -y @smithery/cli install @knowall-ai/mcp-neo4j-agent-memory --client claude

安装后只需在 Claude Desktop 配置文件中添加服务端点即可。

前提依赖：Neo4j 数据库

无论哪种部署方式，都需要预先准备好 Neo4j 实例：

# 最简方式：Docker 起一个 Neo4j
docker run -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/your-password \
  neo4j

Neo4j 版本要求：v4.4 及以上（支持 Bolt 协议）。

技术架构：清晰的分层设计

项目使用 TypeScript 开发，代码结构清晰：

src/
├── index.ts          # 入口文件
├── server.ts         # MCP Server 核心，定义工具和处理逻辑
├── neo4j-client.ts   # Neo4j 驱动封装
├── types.ts          # TypeScript 类型定义
├── tools/
│   ├── definitions.ts   # 工具 JSON Schema 定义
│   └── guidance-tool.ts  # 引导工具实现
└── handlers/
    └── index.ts      # 工具处理器入口

核心依赖：

@modelcontextprotocol/sdk 0.6.0：MCP 协议官方 SDK，处理工具注册、请求路由、JSON-RPC 通信
neo4j-driver 5.27.0：Neo4j 官方 Node.js 驱动，处理 Bolt 协议连接和 Cypher 查询
dotenv 17.2.0：环境变量管理
uuid 11.0.4：为新创建的节点生成唯一 ID

与 AI Agent 的交互流程

User Message
    ↓
LLM（你的 AI 助手，如 Claude）
    ↓ 调用 MCP 工具（如 create_memory）
    ↓
MCP Server（本项目）
    ↓ 执行 Cypher 查询
    ↓
Neo4j Graph Database
    ↓ 返回结果
    ↓
MCP Server → LLM → User

整个链路标准化、可观测，适合集成到企业级 AI Agent 流水线。

局限与挑战：诚实的评估

没有任何工具是银弹，这套系统也存在明显的局限性：

1. 依赖外部 Neo4j 服务：系统本身是"无状态"的，所有记忆都存在 Neo4j 里。如果 Neo4j 宕机，整个记忆系统即失效。相比之下，本地向量数据库（如 SQLite）方案更轻量。

2. 中文全文检索体验：词元化搜索基于空格分词，对中文支持存在天然短板。如果你的记忆内容以中文为主，需要考虑额外的分词处理层。

3. LLM 的记忆管理能力是上限：工具设计得极简，代价是把所有复杂性都推给了 LLM。如果 LLM 的实体识别或关系推理能力不足，记忆质量会受到影响。这不是一个"开箱即用"的解决方案，而是需要 prompt 工程配合的系统。

4. 安全性考虑：Neo4j 连接信息以明文环境变量传入容器，需要妥善管理 secrets 生产环境中建议通过 Vault 或 Kubernetes Secrets 注入。

行业意义：AI Agent 的记忆基础设施

随着 GPT-4o、Claude 3.5 等强推理模型的能力跃升，AI Agent 已经成为 2024-2025 年 AI 应用的主战场。而 Agent 的成熟度瓶颈，正在从"能做什么"转移到"记住什么"。

图数据库作为记忆后端的核心优势在于：它天然支持多跳推理。你可以问"谁是那个在 2023 年加入公司、参与了 X 项目的人的经理？"这类多跳查询，而向量数据库往往难以高效处理。

KnowAll-AI 的这个项目代表了 Agent 记忆层的一个有价值的探索方向——用成熟的图数据库基础设施，配合极简的工具接口，构建可解释、可追溯、可推理的 AI 记忆系统。随着 MCP 生态的持续扩张，这类记忆基础设施的重要性只会越来越高。

Neo4j Agent Memory MCP Server：让 AI 记住一切的知识图谱记忆系统

Neo4j Agent Memory Banner

当 AI 也会"遗忘"：一个真实的痛点场景

背景：MCP 协议与 AI Agent 的记忆困境

核心功能：从原子操作到复杂推理

十大记忆操作工具

工具名称	功能描述
`create_memory`	创建任意类型的记忆节点（人物、地点、项目等）
`search_memories`	词元化搜索，返回包含任意匹配词的结果
`create_connection`	在两个记忆节点之间建立语义关系（KNOWS、WORKS_AT 等）
`update_memory`	修改已有记忆的属性
`update_connection`	更新关系上的元数据
`delete_memory`	删除记忆及其所有关联关系
`delete_connection`	精确删除特定关系
`list_memory_labels`	列出系统中所有记忆类型及数量
`get_guidance`	获取记忆管理的最佳实践指导

图数据库的威力：从孤立事实到关系网络

真正让这套系统区别于简单 KV 存储的，是关系建模能力。来看一个具体例子：

当你告诉 AI "John 在 Google 工作，Sarah 是 John 的经理"，传统的 KV 存储只能分别存储两条独立信息。但在这套系统中，AI 会自动：

创建 Person: John 节点（属性：name、occupation）
创建 Organization: Google 节点
创建 Person: Sarah 节点（属性：name、role、start_year）
用 WORKS_AT 关系连接 John → Google
用 MANAGES 关系连接 Sarah → John

之后当你问"谁在 Google 工作"或"John 的老板是谁"时，AI 可以通过图遍历（Graph Traversal）给出精确答案，而且可以追溯任意深度的关联路径。

搜索策略：词元化而非精确匹配

部署与集成：从零到跑起来

方式一：npx 一键运行（最简）

npx @knowall-ai/mcp-neo4j-agent-memory

需要配置 4 个环境变量：

变量	说明	示例
`NEO4J_URI`	Neo4j 连接地址	`bolt://localhost:7687`
`NEO4J_USERNAME`	用户名	`neo4j`
`NEO4J_PASSWORD`	密码	`your-password`
`NEO4J_DATABASE`	数据库名（可选）	`neo4j`

方式二：Docker 容器化

项目提供了完整的多阶段 Dockerfile：

# 构建镜像
docker build -t mcp-neo4j-agent-memory .

# 运行（需要预先配置 .env 或传入环境变量）
docker run -e NEO4J_URI=bolt://host.docker.internal:7687 \
           -e NEO4J_USERNAME=neo4j \
           -e NEO4J_PASSWORD=*** \
           mcp-neo4j-agent-memory

方式三：Smithery 一键安装到 Claude Desktop

Smithery 是 MCP 生态的"应用商店"，支持一键安装：

npx -y @smithery/cli install @knowall-ai/mcp-neo4j-agent-memory --client claude

安装后只需在 Claude Desktop 配置文件中添加服务端点即可。

前提依赖：Neo4j 数据库

无论哪种部署方式，都需要预先准备好 Neo4j 实例：

# 最简方式：Docker 起一个 Neo4j
docker run -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/your-password \
  neo4j

Neo4j 版本要求：v4.4 及以上（支持 Bolt 协议）。

技术架构：清晰的分层设计

项目使用 TypeScript 开发，代码结构清晰：

src/
├── index.ts          # 入口文件
├── server.ts         # MCP Server 核心，定义工具和处理逻辑
├── neo4j-client.ts   # Neo4j 驱动封装
├── types.ts          # TypeScript 类型定义
├── tools/
│   ├── definitions.ts   # 工具 JSON Schema 定义
│   └── guidance-tool.ts  # 引导工具实现
└── handlers/
    └── index.ts      # 工具处理器入口

核心依赖：

@modelcontextprotocol/sdk 0.6.0：MCP 协议官方 SDK，处理工具注册、请求路由、JSON-RPC 通信
neo4j-driver 5.27.0：Neo4j 官方 Node.js 驱动，处理 Bolt 协议连接和 Cypher 查询
dotenv 17.2.0：环境变量管理
uuid 11.0.4：为新创建的节点生成唯一 ID

与 AI Agent 的交互流程

User Message
    ↓
LLM（你的 AI 助手，如 Claude）
    ↓ 调用 MCP 工具（如 create_memory）
    ↓
MCP Server（本项目）
    ↓ 执行 Cypher 查询
    ↓
Neo4j Graph Database
    ↓ 返回结果
    ↓
MCP Server → LLM → User

整个链路标准化、可观测，适合集成到企业级 AI Agent 流水线。

局限与挑战：诚实的评估

没有任何工具是银弹，这套系统也存在明显的局限性：

2. 中文全文检索体验：词元化搜索基于空格分词，对中文支持存在天然短板。如果你的记忆内容以中文为主，需要考虑额外的分词处理层。

4. 安全性考虑：Neo4j 连接信息以明文环境变量传入容器，需要妥善管理 secrets 生产环境中建议通过 Vault 或 Kubernetes Secrets 注入。