Build AI Agents That Make Better Decisions on GCP with Neo4j

최신 에이전트 시스템은 오랫동안 단순한 ReAct 루프를 넘어섰습니다. 이제는 방대한 조직 데이터에 대한 액세스, 보안, 감사 가능성 및 출처에 대한 더 높은 요구 사항을 갖춘 엔터프라이즈 아키텍처에 통합되었으며 안정적으로 완료하기 위해 점점 더 복잡한 작업을 수행하고 있습니다.

이 기사에서는 다음을 사용하는 방법을 배웁니다.Graph Intelligence 플랫폼 기능Google Cloud에 이러한 에이전트 시스템을 구축합니다.

또한 최신 에이전트 시스템의 기본 아키텍처 세부 사항과 구성 요소에 대해 자세히 살펴보겠습니다. Gemini의 최신 추론 모델을 사용하여 다양한 에이전트 작동을 개선합니다.컨텍스트 엔지니어링기법.GraphRAG 를 사용하면 에이전트의 설명성, 추적성 및 정확성이 향상됩니다. A는 복잡한 엔터프라이즈 데이터 및 시스템 환경에서 에이전트가 올바른 데이터 및 API에 액세스하기 위한 소스와 도구를 외과적으로 결정하여 안정적이고 효율적인 작업 완료를 달성하도록 안내합니다.그래프 기반 에이전트 메모리대화를 단기 기억에만 저장하는 것이 아니라 조직의 도메인과 연결된 구조화된 장기 기억을 통해 사용자, 환경 및 작업에 대한 세계 모델을 구축합니다. 상담원 추론, 도구 호출, 작업 완료 성공의 흔적을 캡처하면 명시적인 비즈니스 규칙을 넘어서 지금까지 활용도가 낮은 조직의 암묵적 의사 결정 흐름을 나타내는 풍부한 소스를 추출할 수 있습니다.

GCP 기본 서비스를 사용하면 지식 계층의 기본 그래프 엔진을 형성하는 Aura 데이터베이스 플랫폼에 대한 제어 및 데이터 평면을 효과적으로 구축하고 운영할 수 있었습니다.

Graph Intelligence 기능 — GraphRAG 도구, MCP, 에이전트 메모리, 문서 인텔리전스, 보조자 및 자연어 쿼리를 갖춘 에이전트는 Gemini, ADK, 모델 학습 및 호스팅을 통해 Vertex AI 플랫폼의 강력한 기능을 활용합니다.

모든 지능형 에이전트 뒤에는 숨겨진 견고한 기반이 있습니다. 간단한 데모에서 프로덕션 준비가 완료된 에이전트 시스템까지의 여정은 모델에만 국한되는 경우가 거의 없습니다. 그것은 그것을 둘러싼 환경에 관한 것입니다. 이 기사에서는 GCP 및 Neo4j를 기반으로 프로덕션급 에이전트 인프라를 구축하여 에이전트가 정말 복잡한 조직 작업을 처리할 수 있는 메모리, 보안, 추론 능력을 갖도록 하는 방법을 자세히 설명합니다.

탐색 가능하고 설명 가능한 AI를 위한 그래프 지식 계층

성공적인 AI 프로젝트는 올바른 데이터에서 시작됩니다. 우리 모두 알고 있듯이 Enterprise AI 데이터는 단순한 문서 더미가 아닙니다. 다양한 시스템이 있으며 각각 고유한 모양, 언어, 액세스 규칙을 가지고 있습니다.

이를 탐색하려면 에이전트는 각 정보가 어디에 있는지, 그리고 현재 작업의 맥락에서 각 정보가 무엇을 의미하는지 알아야 합니다. 해당 탐색 레이어는. 이는 에이전트가 사용할 수 있는 형식의 온톨로지, 메타데이터, 출처, 정책으로 데이터 시스템을 설명합니다.

아래의 실제 데이터 레이어에는 특정 업데이트 빈도, 관련성 및 상호 작용이 포함된 세 가지 유형의 데이터가 표시됩니다. 그 핵심에는 조직이 있다.: 고객, 제품, 정책, 조직 구조, 계약 및 데이터 계보. 이는 에이전트가 필요로 하는 안정적인 세계입니다.know, 그리고 이는 빠르게 움직이는 계획, 주문, 승인, 생산 관리, 거래 등 일상적인 작업을 뒷받침합니다.— 현재 세션, 진행 중인 요청, 실시간 원격 측정, 상담사가 내리려는 구체적인 결정.

Many 시스템에서 발생하는 일들은 비즈니스 규칙에 따라 진행되지만, 전통적으로 기본 추론을 사용할 수 없는 경우에는 많은 부분이 임시적으로 만들어지기도 합니다. 이 지식 계층에서는 의사결정(인간에 의해 이루어지며 점점 더 에이전트에 의해 이루어짐),생산된 결과와 그에 따른 결과가 캡처, 처리되고 접근 가능해집니다.

이 모든 것을 단절된 데이터 시스템으로 축소하면 애초에 데이터를 탐색할 수 있게 해주는 관계, 출처 및 구조가 손실됩니다. 그래프 기반 지식 레이어가 구조를 유지합니다. 엔터티와 입력된 관계는 최고 수준이며 벡터 임베딩은 그래프의 진입점 역할을 할 수 있습니다.

'지식'과 '컨텍스트' 사이의 경계는 저장 형식이 아닌 디자인 선택이 됩니다.

보다 정확한 검색 구축: 벡터에서 GraphRAG까지

일반적인 벡터 검색 통합은 청크, 임베딩 및 상위 k 조회와 함께 작동합니다. 이러한 접근 방식은 단일 문서 질문 답변에 적합합니다. 그 외에도 정확도는 빠르게 저하되고, 프로덕션 시스템은 정확도를 복구하기 위해 추가 기술(순위 재지정, 쿼리 재작성, 하이브리드 검색, 상황별 임베딩)을 계층화합니다.

다음에 대한 검색"지불 벌금"모두 연체료를 언급하는 5개의 청크를 반환합니다. 이 중 어느 것도 사용자가 요청하는 계약의 적용 조항이 아닙니다. 여러 사실을 결합해야 하는 질문(계약, 계약상대방, 해당 관할권)은 연결이 끊긴 결과와 함께 별도의 벡터 검색으로 분해됩니다.

그래프RAGflat top-k를 결합 검색으로 대체합니다. 하이브리드 의미 체계 검색(벡터 + 전체 텍스트)은 그래프의 작은 진입점 집합에 대한 질문을 해결합니다. 그런 다음 Cypher 순회는 해당 진입점에서 여러 홉으로 확장되어 에이전트에 필요한 개체, 관계, 출처를 수집합니다.

결정론적 검색기가 반환하는 모든 사실은 경로, 즉 어떤 진입점에서 시작했는지, 어떤 패턴을 따랐는지, 어떤 문서에 기반을 두었는지와 함께 돌아옵니다.필수 GraphRAG 도서 and graphrag.com정확성, 설명 가능성 및 신뢰성 향상을 포함하여 패턴을 심층적으로 다룹니다.

절 임베딩에 대한 벡터 검색은 순회를 엽니다. 거기에서 (조항)-[:PART_OF]->(계약)-[:SIGNED_BY]->(당사자)는 준거법, 발효일, 인접 조항을 동일한 문서로 가져옵니다. 에이전트는 일치하는 조항, 상위 계약, 당사자 및 관련 조항이 포함된 구조화된 레코드를 받습니다. 각각은 추가 조사를 위해 소스 정보를 다시 가리킬 수 있습니다.

The 새로운 벡터 SEARCH 구문의미론적 검색과 해당 필터를 허용합니다(에서 추출됨).“영국 법률에 따라 유효한 계약만”) 및 그래프 확장은 동일한 Cypher 문에 있습니다.

MATCH (contract:Contract)
SEARCH contract IN (
  VECTOR INDEX contracts FOR $embedding
  WHERE contract.status = 'active'
  AND contract.jurisdiction = $jurisdiction
  LIMIT 5
)
MATCH (contract)-[:SIGNED_BY]->(party:Party),
MATCH (contract)-[:SOURCED_FROM]->(doc:Document)
MATCH clauses = (contract)-[:RELATED_TO*1..2]-(:Clause)
RETURN contract, party, doc, collect(clauses)

Aura 에이전트는 이러한 검색 패턴을 신뢰할 수 있는 Aura 인프라 내에서 실행되는 로우 코드 아키텍처에 관리되는 도구 세트로 패키징합니다.

Aura 에이전트: 신뢰할 수 있는 로우 코드 GraphRAG

기반 GraphRAG 에이전트를 통해 지식 그래프에 대한 자연어 액세스를 민주화하려는 팀은 Aura 에이전트를 사용하여 이를 수행할 수 있습니다. 시작하는 가장 쉬운 방법은 LLM이 설명과 데이터베이스 스키마의 지침과 도구를 사용하여 초안 에이전트를 구성하도록 하는 것입니다.

Aura 에이전트는 위에 소개된 것과 동일한 세 가지 도구 유형으로 구축됩니다.

벡터 검색 도구.순회에 대한 가능한 항목으로서 선택한 인덱스의 가장 가까운 진입점에 대한 질문을 해결합니다.
매개변수화된 Cypher 템플릿.더 깊고 알려진 순회를 수행합니다."이 조항에 따라 상위 계약, 당사자 및 관련 의무를 반환합니다."에이전트는 사용자 정보나 컨텍스트에서 필요에 따라 매개변수를 추출하고 채웁니다.
Text2Cypher 도구.전용 템플릿과 일치하지 않는 작업에 대해 라이브 데이터베이스 스키마를 사용하여 사용자 또는 에이전트의 자유 형식 자연어 질문을 Cypher로 번역합니다.

추론은 최신에서 실행됩니다.쌍둥이자리Vertex AI에서 제공되는 모델입니다. 에이전트 런타임은 작업을 분석하고 하위 작업으로 분해한 후 매개변수를 추출합니다. 그런 다음 각 차례마다 관련 정보(병렬로 여러 개)를 수집하는 데 사용할 도구를 추론하고, 결과를 관찰하고, 필요한 경우 하위 작업을 확장하거나 다시 설명하고 답변이 생성될 때까지 반복합니다. 모두추론 및 도구 호출 상호 작용 관리 UI 및 API에서 사용할 수 있습니다.

Text2Cypher 도구는 다음에서 실행됩니다.Vertex AI에서 호스팅되는 Neo4j 미세 조정된 Gemini 모델, Cypher 방언, 스키마 규칙 및 관용구에 대해 학습하고 요청 시 검사된 실제 데이터베이스 스키마에 대한 쿼리를 생성합니다. 동일한 모델은 Aura 경험(쿼리, 탐색, 대시보드, 온보딩 도우미) 전반에 걸쳐 자연어 쿼리 기능을 강화하므로 모델을 사용하는 에이전트는 그래프 도구와 상호 작용하는 분석가와 동일한 쿼리 동작을 상속하며 자율 에이전트에 내장된 몇 가지 추가 오류 처리 및 개선이 가능합니다.

모든 Aura 에이전트 구성 요소(추론, 에이전트 루프, 검색, Text2Cypher 엔드포인트, MPC/API)는 내부에서 실행됩니다.Aura 신뢰 경계Neo4j가 관리하는 Google Cloud 인프라를 기반으로 합니다. 데이터베이스 콘텐츠는 타사 모델로 이동하는 동안 해당 경계를 벗어나지 않습니다.

Aura 에이전트는 JSON 표현을 통해 가져오고 내보낼 수 있으므로 지침, 데이터베이스, 도구, 매개변수, 스키마 바인딩 및 프롬프트의 버전을 관리한 다음 나중에 API를 통해 다시 생성하거나 업데이트할 수 있습니다.

Aura Agent UI 및 스키마 인식AI로 창조하다부트스트래핑은 대화형으로 에이전트를 시작하고 테스트할 수 있는 좋은 방법입니다. API는 이를 프로덕션으로 가져갈 수 있는 곳입니다.

API 통합의 일부는 REST 또는 MCP를 통해 에이전트를 노출하는 것입니다. 공용 Aura 에이전트 API는유료 Aura 기능명시적으로 활성화해야 합니다. 구성된 에이전트에 연결할 수 있습니다.REST직접적인 HTTP 통합 이상MCP따라서 모든 MCP 호환 클라이언트는 이를 도구 중 하나로 호출할 수 있습니다.

에이전트 간(A2A)지원은 로드맵에 있으며 Aura 에이전트가 ADK 및 Gemini Enterprise 에이전트와의 긴밀한 통합을 위해 Google의 A2A 프로토콜에 참여할 수 있게 해줍니다.

현재 Aura 에이전트는 무료, Pro 및 비즈니스 크리티컬 계층에서 사용할 수 있습니다. 가까운 시일 내에 가상 전용 클라우드 환경에서 통합 에이전트 메모리와 Aura 에이전트 가용성을 활용할 수 있게 될 것입니다.

이 문서 전체에서 사용된 계약 도메인에 대한 엔드투엔드 예제는 다음을 참조하세요.컨텍스트 인식 GraphRAG 에이전트 블로그 게시물그리고지식 그래프 에이전트스키마, 도구 정의, 전체 에이전트 구성, 통합, 사용법을 설명하는 저장소입니다.

Aura Agent 표면의 실제 제작 사례도 제공됩니다. 문서, 튜토리얼 및 참조 자료 전반에 걸쳐 GraphRAG 검색과 함께 Neo4j 문서 지식 그래프 위에 있는 Aura 에이전트를 사용합니다. 신규 및 기존 사용자는 인스턴스 크기 조정, 드라이버 선택 또는 첫 번째 도메인 모델링 방법을 물을 수 있으며 설명, 코드 예제, 생성된 Cypher 쿼리 및 답변의 근거가 되는 모든 소스 페이지로 다시 연결되는 링크가 포함된 색인화된 문서에 대해 답변합니다.

의미 체계: 에이전트가 올바른 데이터 및 리소스를 선택하도록 지원

제이슨 리우프레임 컨텍스트 엔지니어링복잡한 정보 공간을 탐색하는 에이전트의 능력입니다. 이는 대규모 기업 데이터 공간을 탐색하는 과제에도 적용됩니다. 에이조직 환경(데이터베이스, API, 문서 저장소, BI 모델, 권한 시스템 및 정책의 무분별한 확장)에 대한 탐색 가능한 지도를 생성하고 이를 그래프로 구성하여 에이전트 시스템이 작업을 분류하는 동안 관련 도구의 순서를 선택하기 전에 계획과 추론을 알리기 위해 검색하고 순회할 수 있습니다.

해당 그래프에서 일급 개체는 데이터 행 자체가 아니라 에이전트가 알아야 할 메타데이터입니다.~에 대한이에 대한 조치를 취할 데이터:

엔터티와 온톨로지.현재 어떤 시스템에 저장되어 있는지에 관계없이 비즈니스 개념(고객, 제품, 계약, 계정) 및 이들의 관계.
스키마와 계보.업스트림 소스에서 뒤로 향하고 다운스트림 소비자에서 앞으로 향하는 계보 에지가 있는 테이블, 열 및 그 진화입니다.
API 및 도구 설명.호출 가능한 각 표면에 대해 에이전트가 검사할 수 있는 엔터티(반환 항목, 비용, 신뢰할 수 있는 항목, 해결하는 온톨로지 엔터티).
소유권, 액세스 및 최신성.각 소스의 소유자, 읽을 수 있는 사람, 최근 업데이트된 정도, 마지막 새로 고침이 얼마나 안정적인지.

도구 선택은 그래프 순회를 통해 알려집니다. 문제의 엔터티부터 온톨로지를 통해 해당 엔터티를 보유하는 스키마와 API까지 액세스 권한과 최신성에 따라 필터링됩니다. 30개의 도구를 사용하는 에이전트는 개발자가 쿼리를 작성하기 전에 데이터 카탈로그를 읽는 것과 같은 방식으로 턴당 몇 개의 관련 도구와 후속 데이터 종속 도구를 사용합니다.

Neo4j 금융 서비스 고객은 Google Cloud에서 이러한 스택을 실행합니다. BigQuery는 분석 데이터를, Dataplex는 카탈로그 및 거버넌스를, Collibra는 비즈니스 용어집을, LookML은 의미론적 모델을, 소비 측면에는 Looker 대시보드와 Gemini 기반 에이전트를 보유하고 있습니다. Neo4j 그래프는 이 모든 것을 포괄하므로 에이전트는 문제의 항목에서 올바른 LookML 보기로 이동하여 용어집을 확인하고 계보를 확인한 다음 BigQuery에 대해 Looker 쿼리를 실행합니다.

Google의 데이터베이스용 MCP 도구 상자는 다음과 같습니다.Neo4j에 대한 오랜 지원이 그림의 호출 가능한 도구 측면에 맞습니다. 매개변수화된 데이터베이스 쿼리를 MCP 도구 및 리소스 엔드포인트로 노출하므로 의미 체계 그래프의 각 도구 노드는 스택의 다른 곳에서 사용되는 것과 동일한 MCP 기계를 통해 에이전트가 호출하는 실행 가능한 표면을 직접 가리킬 수 있습니다.

자세한 내용은 당사에서 확인하세요.AI 시스템 페이지그리고Uber 아키텍처 심층 분석.

그래프 메모리: 상태를 저장하고 설명 가능한 에이전트 구축

에이전트에 메모리 문제가 있습니다. 지난주의 대화에 연결할 수 없습니다. 조직 전체에 배포된 6명의 상담원은 자신이 배운 내용을 공유할 수 없습니다. 문제가 발생하면 상담원이 그러한 결정을 내린 이유를 설명하는 감사 추적이 없습니다.

이 문제를 해결하려면 각각 서로 다른 종류의 상태를 유지하는 세 가지 메모리 유형이 필요합니다.

단기 기억.현재 세션과 최근 턴입니다. 메시지, 사용자의 마지막 요청, 어시스턴트의 마지막 응답, 차례 중에 에이전트가 구축한 임시 상태입니다.
장기 기억.시간이 지남에 따라 에이전트가 접하는 엔터티에 대한 구조화된 사실입니다. 고객, 제품, 정책, 사용자/조직 선호도 및 이들 간의 관계를 시간적, 신뢰도 및 소싱 속성과 함께 제공하므로 사실을 주장하고, 무효화하고, 대체할 수 있습니다.
추론 기억.결정은 스스로를 추적합니다. 에이전트가 어떤 도구를 호출했는지, 어떤 증거를 검색했는지, 어떤 추론 단계에서 어떤 조치를 취했는지, 결과가 수락, 취소 또는 에스컬레이션되었는지 여부.

대부분의 기존 그래프 기반 메모리 시스템은 처음 두 가지 유형의 메모리를 포괄합니다. 기억을 추론하지 않으면 여러 가지 문제가 발생합니다. 에이전트는 과거 결정을 설명할 수 없고, 팀은 과거 결과에서 배울 수 없으며, 문제를 조사하는 사람은 에이전트가 예상치 못한 경로를 택한 이유를 추론할 수 없습니다.

세 가지 메모리 유형을 모두 단일 그래프에 유지하면 상당한 이점을 얻을 수 있습니다. 단일 순회는 대화에서 언급된 엔터티, 트리거하는 도구 호출, 이를 선택한 추론 단계, 그에 따른 결정 및 결과까지 이어집니다.

neo4j-agent-memory를 사용하여 그래프 메모리 구현

neo4j-에이전트-메모리이 모델을 구현하는 Neo4j Labs 라이브러리입니다. 프로덕션에서 에이전트를 실행하는 고객 및 사용자와 함께 Neo4j가 개발한 패턴을 기반으로 구축된 오픈 소스 Python, Go, Typescript입니다. 추출을 위해 사용자 정의 스키마로 구성할 수 있고 주요 에이전트 프레임워크 및 에이전트 플랫폼과 통합하며 전체 컨텍스트 그래프를 Neo4j에 저장합니다. 특히 Google Cloud의 경우 라이브러리는 Neo4jMemoryService를 제공합니다.이는 ADK의 메모리 후크에 삽입되므로 ADK 에이전트는 추출이나 스키마 코드를 작성하지 않고도 세 가지 메모리 유형 모두에 액세스할 수 있습니다.

from neo4j_agent_memory import MemoryClient, MemorySettings
from neo4j_agent_memory.integrations.google_adk import Neo4jMemoryService

async with MemoryClient(settings) as client:
    # Create memory service
    memory_service = Neo4jMemoryService(
        memory_client=client, user_id="user-123",
        include_entities=True, include_preferences=True,
    )

    # Store a conversation session
    session = {
        "id": "session-1",
        "messages": [
            {"role": "user", "content": "I always want to use Gemini Flash for speed and cost reasons."},
            {"role": "assistant", "content": "Noted!"},
        ]
    }
    await memory_service.add_session_to_memory(session)

    # Search across all memory types
    results = await memory_service.search_memories(
        query="user preferences", limit=10,
    )

    for entry in results:
        print(f"[{entry.memory_type}] {entry.content}")

관리형 서비스로서의 그래프 메모리

우리는 또한호스팅된 Neo4j 에이전트 메모리 서비스Neo4j 연구소에서. 방문하다memory.neo4jlabs.com그것을 시험해보려고. 우리는 에이전트 메모리 작업에 피드백되는 실제 사용 패턴을 탐색하고 배우고, 기본 확장 지점이 부족하지만 에이전트 수명 주기 동안 REST/MCP 서비스를 호출할 수 있는 에이전트 플랫폼을 다루려고 노력합니다.

컨텍스트 그래프: 상담원 의사결정 개선

조직은 암묵적인 의사결정 흐름에 따라 운영됩니다. 운영팀이 일부 지연 송장을 승인하는 이유는 무엇인가요? 규정 준수 담당자는 어떤 예외 사항을 전달합니까? 계정 관리자는 언제 할인 대신 에스컬레이션합니까? 그 어느 것도 기록되어 있지 않습니다. 그것은 머릿속, Slack 스레드, 전화 통화, 복도에서의 대화 속에 살아 있습니다. 비즈니스 규칙은 명시적인 부분을 포착합니다. 나머지는 새로운 참가자에게 보이지 않습니다.

이것이 바로 상담원이 백지상태에서 시작하는 이유입니다. 새 도메인에 배포된 에이전트는 문서, 스키마, API 및 명시적 규칙을 상속합니다. 암묵적 의사결정 흐름은 접근하기 어렵습니다. 왜냐하면 그것을 보유한 사람들이 그것을 명확히 표현할 필요가 전혀 없었기 때문입니다.

A 이러한 결정(“이유”), 엔터티 및 거래에 대한 링크를 캡처합니다. 이를 통해 사람과 에이전트 모두가 명시적이고 액세스할 수 있게 됩니다. 그리고 상담사 추적에서 컨텍스트 그래프를 추출하는 것이 그 어느 때보다 쉬워졌습니다.

추론 기억은 이러한 격차를 줄이는 원재료 중 하나가 될 수 있습니다. 에이전트가 실행하는 모든 턴에는 질문 형태, 호출한 도구, 검색한 증거, 각 도구를 선택한 추론 단계, 도달한 결정, 결과(사람이 수락, 취소, 에스컬레이션 또는 확인) 등 전체 추적이 남습니다. 몇 주간의 에이전트 활동에 걸쳐 이는 결과가 첨부된 결정 경로 모음에 축적됩니다.

해당 코퍼스에 대해 그래프 알고리즘을 실행하면 인간이 기록한 적이 없는 패턴을 표면화할 수 있습니다. 빈번한 하위 그래프 마이닝 및 경로 순위 지정부터 시간 분석, 클러스터링 및 중심성 계산까지. 이들 모두는 결정의 본질을 추출하고 압축하는 데 도움이 됩니다.

Karpathy가 논의됨더 나은 결과를 위한 결과뿐만 아니라 강화 학습의 결정 경로도 포함됩니다. 컨텍스트 그래프의 결정 추적은 추론 중에 에이전트에 대해 이를 수행하며 새 데이터가 통합될 때마다 업데이트됩니다.

엔드투엔드 가시성은 플랫 로그에 대한 구체적인 보상입니다. 플랫 로그에는 에이전트가 14시 32분에 bq.customer_lookup을 호출했음이 표시됩니다. 컨텍스트 그래프는 단일 순회에서 해당 호출 뒤에 있는 전체 체인을 보여줍니다.

// Full chain behind a single bq.customer_lookup call
MATCH (tc:ToolCall {name: 'bq.customer_lookup', id: $call_id})
      <-[:CALLED]-(r:ReasoningStep)<-[:TRIGGERED]-(t:Turn),
      (r)-[:LED_TO]->(d:Decision)-[:CITES]->(e:Evidence)
      -[:RESOLVES_TO]->(c:Customer)
RETURN t.question, c.name, c.jurisdiction,
       d.outcome, d.decided_at, d.reviewed_by

이 전화는 갱신 위험을 바꾸려는 사용자가 촉발한 추론 단계에서 나왔습니다. 증거는 특정 관할권의 적용을 받는 계약을 맺은 고객에게 해결되었습니다. 이틀 후 계정 관리자가 결정을 번복했습니다. 동일한 순회가 사후 질문에 대한 답변을 대규모로 제공합니다.

// Reversed decisions in the last quarter that went through this tool
MATCH (d:Decision:Reversed)<-[:LED_TO]-(:ReasoningStep)
      -[:CALLED]->(:ToolCall {name: 'bq.customer_lookup'}),
      (d)-[:CITES]->(e:Evidence)
WHERE d.reversed_at > datetime() - duration('P90D')
RETURN e.source_type, count(DISTINCT d) AS reversal_count
ORDER BY reversal_count DESC

지난 분기에 발생한 11번의 반전은 모두 동일한 증거 출처 패턴을 공유했습니다. 추론 시 에이전트의 질문에 답변한 순회는 일주일 후 사후 질문에 답변합니다.

패턴을 가시화하기 위해 Neo4j Labs가 출시되었습니다.생성-컨텍스트-graph.dev, 22개 도메인과 여러 에이전트 프레임워크(Google ADK 포함)에서 실행 가능한 컨텍스트 그래프 데모를 생성하는 스캐폴딩 도구입니다. 하나의 명령(uvx create-context-graph)은 도메인 그래프, 시드 추론 메모리 코퍼스, 추론 시 증류된 패턴을 읽는 UI가 있는 에이전트 등 작업 프로젝트를 생성합니다. 블로그 게시물컨텍스트 그래프 및 Neo4j 실습독립형 실행 가능 예시에서 동일한 형태를 살펴봅니다.

Neo4j를 Google의 에이전트 인프라와 통합

에이전트 시스템을 어디에서 구축하고 실행하든지 우리는 어디에서나 그래프의 강력한 기능을 사용할 수 있도록 하고자 합니다. 이것이 우리가 Neo4j를 모든 기능과 통합한 이유입니다.에이전트 플랫폼 및 프레임워크, MCP(모델 컨텍스트 프로토콜) 및 맞춤형 확장을 통한 GraphRAG 검색 및 에이전트 메모리용입니다.

Google의 ADK(에이전트 개발 키트)부터 Gemini Enterprise Agent Platform까지 Neo4j를 사용할 수 있습니다.

통합 기술로서 MCP는 두 가지 장점을 제공합니다. 첫째, 모든 에이전트 시스템은 MCP와 통합되며, 둘째, 공식 Neo4j MCP 서버는 모든 Neo4j 데이터베이스에 대해 안전한 쿼리 실행을 제공합니다.

공식 Neo4j MCP 서버

공식Neo4j MCP 서버우리의 기본 통합 표면입니다. 스키마 검사, 쿼리 읽기 및 쓰기, 그래프 알고리즘에 대한 액세스를 MCP 도구로 제공하고 STDIO 및 HTTP 모드에서 실행됩니다. 클라우드 환경의 경우,단계별 가이드Cloud Run에 배포하는 방법을 안내합니다. Neo4j Aura용 호스팅 MCP 서버는 이번 분기 후반에 출시될 예정입니다.

구글 ADK

Our 예제 코드공식 MCP 서버 또는 Cypher 템플릿 쿼리를 위한 전용 도구를 통해 ADK 에이전트를 Neo4j에 연결하는 방법을 보여줍니다. 동일한 패턴은 테스트용 로컬 STDIO 또는 프로덕션용 Cloud Run 배포에 대한 원격 HTTP 모드에서 작동합니다.

neo4j-agent-memory의 Neo4jMemoryService는 ADK 메모리 후크로 직접 확장되므로 세 가지 메모리 유형이 에이전트 런타임에 노출됩니다. 세션이 끝나면 단기 기억이 지워집니다. 장기 엔터티 및 추론 추적은 세션 전반에 걸쳐 지속됩니다.

제미니 엔터프라이즈

Gemini Enterprise와의 통합은 다중 에이전트 시스템을 구성하는 데 사용되는 A2A 프로토콜을 활용합니다. 프로비저닝은 잘 알려진 에이전트 카드 또는 에이전트 마켓플레이스를 통해 이루어집니다. Neo4j 선박여러 A2A 통합 패턴Gemini Enterprise용.

A2A MCP 래퍼: A2A ADK 에이전트와 Neo4j MCP 서버는 별도로 확장 가능한 Cloud Run 서비스로 실행됩니다. OAuth 인증 자연어 A2A 호출은 원격 MCP 도구를 사용하여 Neo4j에 대해 변환 및 실행됩니다. 여기서 각 MCP 서비스는 단일 그래프 데이터베이스에 대해 구성되며 이에 따라 라우팅되어야 합니다.

A2A 다이렉트 서비스: 단일 Cloud Run 서비스는 ADK 에이전트와 Neo4j 드라이버를 번들로 제공하고 Google Workspace에 대해 인증하며 별도의 Neo4j 데이터베이스 연결을 위해 Gemini Enterprise 설치별로 구성할 수 있습니다. 이 패턴은 팀이 다양한 Neo4j 데이터베이스에 연결할 수 있는 유연성을 통해 셀프 서비스 온보딩과 기업 ID에 대한 고정 인증을 원하는 내부 엔터프라이즈 설정에 적합합니다.

우리는 다음 기사에서 기술 구현 세부 사항을 살펴보고 있습니다.Gemini Enterprise용 Neo4j 그래프 에이전트 구축.

지금 구축을 시작하거나 Google Cloud Next '26에서 실시간으로 확인하세요.

기사에서 다룬 기술과 인프라를 지금 바로 실천에 옮길 수 있습니다. 시작하는 데 도움이 되는 추가 리소스는 다음과 같습니다.

GraphAcademy의 지식 그래프 및 GraphRAG 과정
무료 Essential GraphRAG 도서
GraphRAG 패턴 저장소
Neo4j가 포함된 Google ADK
Neo4j 에이전트 메모리

Google Cloud Next ’26, 4월 22~24일, 라스베이거스Neo4j는 다음 위치에 있습니다.부스 #2717. 팀은 Aura Agents, Cloud Run의 MCP 서버, 3가지 Gemini Enterprise A2A 패턴, 기타 향후 기능 미리보기의 라이브 데모를 실행하고 있습니다. 특정 주제에 관심이 있다면 미리 자리를 예약하거나 공연이 진행되는 동안 직접 방문해 보세요.

NODES AI, 4월 15일.Graph AI 개발자 컨퍼런스는 이번 주 Google Next 전에 열립니다. 세션은 녹화되고 요청 시 다음 위치에서 제공됩니다.neo4j.com/nodes-aiKnowledgeGraphs 및 GraphRAG, GraphMemory 및 에이전트, 프로덕션의 Graph + AI를 다룹니다.

AI 에이전트
GCP
쌍둥이자리
그래프RAG

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

Can I use Aura Agents to create an MCP enabled Teacher? (1)	2026.04.23
Connected Intelligence: Scaling Graph-Powered Reasoning Across the AI Ecosystem (0)	2026.04.21
When Your Agents Share a Brain: Building Multi-Agent Memory with Neo4j (2)	2026.04.19
AI 에이전트에서 Context Engineering이란 무엇일까요? 실전 가이드 (1)	2026.04.19
AI 에이전트란 무엇일까요? (0)	2026.04.18

Graph Note