Neo4j MCP Server - 让 AI 理解你的知识图谱
官方实现 | Stars: 34 | Go | BETA 阶段
概述Neo4j MCP Server 是 Neo4j 官方提供的 Model Context Protocol 实现，专门为图数据库设计的 AI 交互接口。它让 AI 能够通过自然语言理解和操作图数据库，无需手动编写复杂的 Cypher 查询。
这个服务器提供了三个核心工具：schema 内省、只读查询和写入查询，能够让 LLM 深入理解图数据库的结构，并执行安全的数据查询和操作。特别适合知识图谱探索、关系分析、社交网络分析等需要处理复杂关系的场景。
重要提示：当前处于 BETA 阶段，尚不适合生产环境使用。
核心特性
✅ Neo4j 官方实现，与图数据库原生集成
🔍 Schema 内省：自动分析图数据库结构
📖 只读 Cypher 查询：安全执行查...
MCP Memory Server - AI的持久化知识图谱记忆系统
MCP Memory Server - AI的持久化知识图谱记忆系统
官方实现 | Stars: 2000+ | TypeScript | MIT License
概述MCP Memory Server 是 Model Context Protocol 官方提供的知识图谱持久化记忆系统，为 AI 助手提供跨会话的长期记忆能力。通过实体-关系-观察三层架构，它能够像人类一样存储和检索结构化的记忆信息，实现真正的上下文理解和个性化交互。
该服务器采用知识图谱设计理念，将信息组织为互相关联的实体网络。每个实体可以拥有类型、多个观察信息，并通过有向关系与其他实体连接。这种设计使得 AI 能够理解复杂的实体关系、追踪用户偏好、维护长期对话上下文，特别适合需要记忆功能的智能应用场景。
核心特性
✅ 官方实现，Anthropic 官方维护和支持
🧠 知识图谱架构，实体-关系-观察三层结构
💾...
MCP Memory Server - 赋予 AI 跨会话长期记忆的知识图谱系统
MCP Memory Server - 赋予 AI 跨会话长期记忆的知识图谱系统简介MCP Memory Server 是 Model Context Protocol 官方推出的革命性记忆系统，通过知识图谱技术赋予 AI 助手持久化的长期记忆能力。与传统的临时对话上下文不同，这个服务器能够跨会话保存和检索实体、关系和观察数据，让 AI 真正记住用户的偏好、习惯、目标和历史交互。它采用 TypeScript 开发，提供了 9 个核心工具来构建和管理复杂的知识图谱，包括实体创建、关系建立、观察记录等。系统会将所有数据持久化存储，即使重启应用，AI 也能延续之前的认知，提供更加个性化和连贯的交互体验。这对于需要长期协作的项目管理、客户服务、个人助理等场景具有突破性意义。
核心特性
知识图谱架构 - 基于实体-关系-观察三元组模型，以结构化方式存储复杂的知识和关系网络
持久化记忆 - 所有...
LinearRAG: 基于线性图的大规模语料检索增强生成
论文概述LinearRAG是一种针对大规模语料库的新型检索增强生成框架，旨在解决当前RAG系统在处理大规模非结构化语料和不可靠知识图谱构建方面的局限性。该方法的核心创新在于构建了一个名为”三图”(Tri-Graph)的轻量级图结构，通过避免不稳定的关系建模，实现了与语料库规模呈线性关系的扩展能力。LinearRAG采用两阶段检索策略，在处理复杂推理任务时能够更准确地定位相关段落，有效减少了大语言模型的幻觉问题。
论文信息：
发布时间：2025-10-11
作者：Luyao Zhuang, Shengyuan Chen, Yilin Xiao, Huachi Zhou, Yujing Zhang, Hao Chen, Qinggang Zhang, Xiao Huang
研究方向：上下文工程 (Context Engineering), 检索增强生成 (Retrieval-Augme...
Google Data Commons MCP服务器 - 公共数据的AI智能访问
Google Data Commons MCP服务器:让AI拥抱真实世界数据想象一下,当你的AI助手不再依赖训练数据中可能过时的信息,而是能够实时访问全球最权威的公共统计数据——人口普查、经济指标、健康数据、气候变化趋势……这正是Google在2025年9月推出的Data Commons MCP服务器带来的革命性改变。
什么是Data Commons?在深入MCP服务器之前,我们需要了解Data Commons本身。这是Google的一个雄心勃勃的项目,旨在将全球分散的公共数据集整合到一个统一的知识图谱中。截至目前,它已经汇聚了来自联合国、世界银行、各国政府、科研机构的数万亿数据点,覆盖240多个国家和地区。
数据类型包括:
人口统计:年龄分布、性别比例、教育水平、就业率
经济指标:GDP、收入不平等、通货膨胀、贸易数据
健康数据:预期寿命、疾病发病率、医疗资源分布
环境数据:气候...
基于图的检索增强生成(GraphRAG)
Retrieval-Augmented Generation with Graphs (GraphRAG)
ArXiv ID: 2501.00309作者: Haoyu Han, Yu Wang, Harry Shomer, and 15 other authors发布日期: 2025-01-08
摘要检索增强生成(RAG)已成为通过整合外部知识增强大语言模型的强大范式。传统RAG系统依赖于从非结构化文本进行基于向量的检索,而GraphRAG利用图结构数据通过节点和边编码大规模异构和关系信息。本综述对GraphRAG进行了全面考察,提出了一个整体框架,定义了包括查询处理器、检索器、组织器、生成器和数据源在内的关键组件。我们系统地回顾了针对不同领域定制的技术,并讨论了图构建、检索效率和与大语言模型集成方面的挑战。通过考察医疗、金融和电子商务等专业领域的实现,我们突出了图结构在捕获复杂关...