Neo4j מציגה Context Engine: שכבת הקשר שתעצור טעויות של סוכנים

תמונה מוכרת: שאלתם את הסוכן על "החשבון" של לקוח מסוים, והוא ענה בביטחון מלא — על החשבון הלא נכון. Neo4j טוענת שהבעיה היא לא במודל, אלא בזה שלסוכן אין מפה.

צרכן שלישי של מידע

לנתונים בארגון היו תמיד שני צרכנים: בני אדם, שמבינים באופן טבעי את הקשרים בין הדברים, ואפליקציות, שעושות את זה דרך hardcoded logic. עכשיו נכנס צרכן שלישי — סוכני AI — והוא לא יודע מה "לקוח", "חשבון", "ספק" או "סיכון" אמורים לומר בתוך הארגון שלכם. המשמעות מפוזרת על גבי databases, אפליקציות, תיעוד ומימושי AI נפרדים.

בלי מפה מפורשת, הסוכן לא נופל בשקט — הוא ממציא. Neo4j מספרת שהזרז לפיתוח הגיע מצפייה במאות לקוחות שנאבקו בדיוק עם זה: אותו מונח שמשמעותו משתנה בין מערכות. לדברי Sudhir Hasbe, נשיא טכנולוגיה ו-chief product officer ב-Neo4j, "מה שהיה חסר הוא קישור מפורש בין סוגי נתונים, שהיה מקל על ה-AI לעשות את החיבורים הנכונים".

מה יש ב-Context Engine

המוצר החדש אורז את העבודה שעשתה החברה עם לקוחות עד כה לשכבת ידע אחת, משותפת וניתנת לשימוש חוזר, שכל הסוכנים יכולים לשלוף ממנה — עם משמעות, reach וזיכרון, כדי שהתשובות יהיו אמינות וניתנות להסבר:

• Business Ontology — מודל גרף מוכן מראש עם שש שכבות, שמאפשר למפות את הארגון, התהליכים, הנתונים ונכסי ה-AI, ולחבר מקורות פיזיים ישירות ל-business logic. הוא נבנה לפי best practices מפריסות enterprise, ומשמש גם ל-design-time וגם ל-run-time.
• Context Build and Runtime — בונה את ה-ontology ממקורות קיימים כמו Databricks ו-Snowflake, ומאפשר לשכבות התזמור לשלוף ממנו ולהריץ סוכנים תהליכיים או conversational analytics. הוא פועל במצב headless, ב-CLI או דרך Python, עם GraphRAG retrievers, ניהול שינויים מובנה וחיבור לפלטפורמות data ו-catalogs קיימים.
• Context Studio — control plane לניהול ו-governance של ה-ontology, כולל בנייה ויזואלית של workflows, ניטור של כל הסביבה והגדרת סוכנים, שרתי MCP וכלי מפתחים.
• Context Memory — שכבת זיכרון graph-native עם זיכרון לטווח קצר, לטווח ארוך ול-reasoning. היא מתעדת את ההחלטות והנתיבים של הסוכן, מזקקת אירועים חוזרים לידע רב-שימושי דרך graph algorithms, ומחזירה תובנות לשיפור הדיוק בהמשך.

למה גרף, ולמה זה לא עוד RAG

"Context זה מה שהופך enterprise AI לאמין", אומר Sanjeev Mohan, principal ב-SanjMo. "אבל context זה לא עוד נתונים — זה relationships: לא רק ששני דברים קשורים, אלא למה ואיך". כאן, לדבריו, הגרף הוא מודל native; וככל שתרחישי ה-agentic מתרחבים, לנחש את הקשרים כבר לא מספיק — צריך לייצג אותם במפורש.

גם William McKnight, נשיא McKnight Consulting, טוען שהיתרון של Neo4j הוא שהשאילתות רצות בתוך מסד הנתונים הטרנזקציוני עצמו — index-free adjacency ו-Cypher — במקום לתאם שירותי שליפה חיצוניים. התוצאה, לדבריו, היא grounding טוב יותר עם traversals דטרמיניסטיים שמביאים למודל עובדות high-signal, בלי הצטברות של context מיותר, דליפת tokens ונקודות עיוורון בגרף.

מי עוד בשוק, ומתי מקבלים את זה

Neo4j לא לבד. המגמה הגדולה של 2026 היא לחבר סוכנים ל-business logic: AWS ו-Microsoft, Databricks ו-Snowflake, וגם Alteryx ו-ThoughtSpot הוסיפו יכולות discovery ו-retrieval. גם Gartner, ב-Market Overview ל-AI context platforms מאוגוסט 2026, מגדיר קטגוריה שלמה סביב זה — פלטפורמות שמטפלות ב-context כ-asset ארגוני, ומנתקות את מחזור החיים של הידע ממחזור החיים של כל סוכן בנפרד, כדי שאפשר יהיה להתרחב ולמשול בסוכנים.

ההבדל המהותי, לפי Neo4j, הוא שאין מה לתפור: הצנרת כבר גרה בתוך הגרף. מי שרוצה להתנסות צריך לפנות לחברה — Context Engine זמין כרגע ב-private preview ל-design partners נבחרים. Neo4j מגיעה לשוק הזה עם לא מעט קלפים: 84 מתוך ה-Fortune 100 כבר לקוחות שלה, לצד הקהילה הגדולה בעולם בתחום הגרפים.

Hasbe מבטיח שהרחבת שכבת הידע כדי להפוך את ה-AI ליעיל ואפקטיבי יותר נותרת מוקד מרכזי, וש-Context Engine הוא חלק גדול מזה. הסוכנים שלכם, בינתיים, ימשיכו לענות בביטחון מלא.