mcp-neo4j
让 AI 用自然语言操控 Neo4j 图数据库——自然语言生成 Cypher 查询、跨会话记忆管理、
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让 AI 用自然语言操控 Neo4j 图数据库——自然语言生成 Cypher 查询、跨会话记忆管理、
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
场景切入：你是否遇到过这样的困境？
你正在开发一个知识图谱问答系统，面对一张包含数十万节点的 Neo4j 图数据库，想要查询「购买过某类商品的用户，在最近三个月内还浏览了哪些相关品类」这种多层关联的复杂问题。手写 Cypher 查询语句不仅费时，还容易出错。这时，如果能直接用自然语言向 AI 提问，让它自动生成并执行 Cypher 查询——这正是 mcp-neo4j 想要解决的问题。
背景：Neo4j Labs 与 MCP 协议的碰撞
mcp-neo4j 是 Neo4j Labs 计划下的官方 MCP（Model Context Protocol）服务器集合，由 Neo4j 现场 GenAI 团队开发和维护。
Model Context Protocol 是 Anthropic 在 2024 年底提出的标准化协议，旨在解决 LLM 与外部工具/数据源之间的上下文管理问题。与传统的 Function Calling 不同，MCP 定义了一套统一的通信规范，让 AI 模型可以以一种标准化的方式调用外部工具、读写数据。Neo4j 作为图数据库领域的领导者，率先将这一协议引入图数据库生态，让所有主流 MCP 客户端（Claude Desktop、VS Code、Cursor、Windsurf、 Gemini CLI）都可以直接用自然语言操控 Neo4j。
这个仓库虽然标注为「Labs」项目（实验性质，不享受官方产品 SLA），但更新非常活跃——已累积 345 次提交、56 个版本标签、251 次 Fork，显示出强劲的社区参与度。
技术架构：四个独立 MCP Server 的协同生态
该项目采用 Nx monorepo 结构，在 servers/ 目录下管理四个独立的 MCP 服务器，每个服务针对不同场景：
图1：mcp-neo4j-cypher 自然语言转 Cypher 查询的工作流程
mcp-neo4j-cypher — 自然语言转 Cypher 查询引擎
这是最核心的服务器。它基于 fastmcp>=2.10.5 框架构建，使用 neo4j Python 驱动（>=5.26.0）连接数据库，并依赖 tiktoken 对查询结果进行 token 限制控制。
其工作流程如下：AI 模型接收用户的自然语言查询请求后，通过 MCP 协议调用 get_neo4j_schema 工具获取图数据库的 schema 信息（包括节点、属性类型、索引），随后基于 schema 生成 Cypher 查询语句，最后调用 execute_cypher_query 工具执行查询。
为防止误操作，该服务提供了 --read-only 参数，启用后仅允许只读查询。它还内置了 EXPLAIN 查询类型检测，自动判断当前语句为读、写或读写混合操作，从而在只读模式下拒绝写操作。
核心源码约 280 行 Python 代码（server.py），采用异步设计（async/await），通过 FastMCP 装饰器注册工具，支持三种传输模式：
mcp-neo4j-memory — 跨会话知识图谱记忆系统
这个服务器将 Neo4j 用作 AI 的长期记忆存储。它允许 AI 在不同会话、不同客户端之间持久化存储和检索实体与关系。打个比方，就像给 AI 装上了一个「记忆宫殿」——每次对话中学习到的关键信息都可以被存入图数据库，下次对话时再调用出来。
该服务使用 Starlette 作为 Web 框架（非异步方式），通过 pydantic 进行数据建模，确保记忆存储的结构化与可验证性。
mcp-neo4j-cloud-aura-api — Neo4j Aura 云服务管理
这个服务器将 Neo4j Aura 云平台的管理 API 暴露为 MCP 工具，AI 可以直接帮你创建/销毁云实例、查看实例列表、按名称搜索、按需扩缩容，以及开启/关闭特定功能。想象一下，用「帮我新建一个 4GB 内存、开启了图数据科学插件的 Aura Professional 实例」这样的自然语言指令来管理你的云数据库。
它使用 requests 而非 neo4j 驱动，因为连接的是 Aura 的管理 API 而非数据库本身。
mcp-neo4j-data-modeling — 交互式图数据建模与可视化
这是最有趣的一个服务器。它提供创建、验证和可视化 Neo4j 图数据模型的能力，支持从 Arrows.app 导入/导出数据模型。使用 RDFLib 进行语义图处理，可以自动校验数据模型的完整性与一致性。对数据架构师来说，这是一个用自然语言「对话式建模」的工具。
容器化与云部署：开箱即用的生产就绪方案
每个服务器均提供官方 Dockerfile（基于 python:3.13.8-slim）和 docker-compose.yml 文件，可以一键拉起完整环境。以 mcp-neo4j-cypher 的 docker-compose 为例，只需指定 bolt://host.docker.internal:7687 连接宿主机的 Neo4j，即可完成本地开发环境的搭建。
README-Cloud.md 提供了详尽的云部署指南，覆盖 AWS ECS Fargate 和 Azure Container Apps 两大平台。HTTP transport 模式特别针对云原生场景设计，支持自动扩缩容和负载均衡。建议的 ECS Fargate 资源配置为 256 CPU / 512 MB 内存，轻量级部署完全够用。
上手体验与适用场景
对于普通 AI 爱好者来说，最大的门槛是需要一个可用的 Neo4j 实例（本地或 Aura 云）。如果你已有 Neo4j 环境，只需安装 MCP 客户端（如 Claude Desktop），配置对应的 MCP server 路径即可。整个配置过程约 10 分钟。
对于开发者而言，四个服务器各有明确的使用场景：
mcp-neo4j-cyphermcp-neo4j-memorymcp-neo4j-cloud-aura-apimcp-neo4j-data-modeling所有服务器均支持多语言环境变量配置（NEO4J_URI、NEO4J_USERNAME、NEO4J_PASSWORD），与 Claude Desktop 的 MCP 配置格式完全兼容。
局限与注意事项
mcp-neo4j-cypher 依赖 APOC 插件进行 schema 探测，如果你使用的是 Neo4j 社区版或 Aura Free 层，需要确认 APOC 插件是否可用。生成 Cypher 查询的质量取决于 AI 模型的能力，复杂查询可能需要多次交互才能得到正确结果。
此外，作为 Labs 项目，该仓库不提供 SLA 保证，版本更新可能带来非向后兼容的变更，生产环境使用前请锁定版本。
最后，该项目仅处理 Neo4j 数据库层面，不涉及前端 UI，需要通过 MCP 客户端（Claude、Cursor 等）来使用。
行业意义：图数据库与大模型的深度融合
mcp-neo4j 代表着 LLM 与图数据库融合的一个成熟路径：通过 MCP 协议，AI 模型获得了对图结构数据的原生理解能力，无需手写复杂查询即可完成知识推理与数据探索。这种「AI + 图数据库」的范式正在快速普及，Neo4j 作为图数据库领域的领导者，其 MCP 实现对整个生态具有示范效应。
从项目活跃度来看（345 commits，56 个版本标签，持续更新），图数据库 + MCP 这个方向正处于快速增长期，预计未来会有更多云服务商和企业将类似集成纳入标准开发工具链。