mcp-neo4j

GitHub
931 241 较难 1 次阅读 3天前MIT数据工具
AI 解读 由 AI 自动生成,仅供参考

mcp-neo4j 是 Neo4j Labs 推出的一组开源服务器,旨在通过模型上下文协议(MCP)将大语言模型与 Neo4j 图数据库及 Aura 云服务无缝连接。它让用户能直接用自然语言与图数据库交互,无需手动编写复杂的查询代码,从而轻松实现数据检索、图表生成、实例管理甚至个人知识记忆存储等功能。

这套工具主要解决了 AI 助手难以直接操作专业数据库和云资源的痛点。通过它,用户可以在 Claude Desktop、VS Code 或 Cursor 等常用编辑器中,用对话方式完成“查询销量最高的产品”、“创建新的云数据库实例”或“记录工作日志”等任务,大幅降低了图技术的使用门槛。

mcp-neo4j 特别适合开发者、数据工程师以及希望探索图数据库能力的 AI 应用构建者。其核心亮点在于提供了四个专用服务模块:支持自然语言转 Cypher 查询、基于图结构的长期记忆存储、Aura 云平台的全生命周期管理,以及交互式的数据建模与可视化。此外,它灵活支持本地 STDIO、SSE 及 HTTP 多种传输模式,并原生提供容器化方案,便于在 AWS 或 Azure 等云端环境中快速部署和扩展。作为实验性项目,它由社区共同维护,为前沿的 AI 与图技术融合提供了丰富的探索空间。

使用场景

某电商数据团队需要快速分析用户购买行为图谱,并动态调整云数据库资源以应对促销流量高峰。

没有 mcp-neo4j 时

  • 数据分析师必须手动编写复杂的 Cypher 查询语句来提取“高频购买商品”关系,容易因语法错误导致反复调试。
  • 跨会话的知识(如上次分析的结论)无法自动保留,每次新对话都需重新向 AI 描述业务背景和数据结构。
  • 运维人员需登录 Neo4j Aura 控制台手动创建或扩容实例,流程繁琐且无法在聊天窗口中即时响应突发需求。
  • 验证数据模型是否正确时,需在 Arrows.app 和数据库之间来回切换,缺乏实时的可视化反馈机制。

使用 mcp-neo4j 后

  • 分析师直接用自然语言提问“按销量渲染顶部商品图表”,mcp-neo4j-cypher 自动获取 schema 并生成执行准确的查询代码。
  • 借助 mcp-neo4j-memory,AI 能记住“用户 A 偏好电子产品”等实体关系,在不同会话中持续利用已存储的图谱知识进行推理。
  • 通过 mcp-neo4j-cloud-aura-api,用户在对话框中指令“为促销创建 4GB 专业版实例”,系统即刻调用 API 完成实例创建与配置。
  • 利用 mcp-neo4j-data-modeling,团队可在聊天界面直接导入并验证数据模型,实时查看节点与关系的可视化效果,无需切换工具。

mcp-neo4j 将自然语言交互深度融入图数据库管理全流程,让数据查询、记忆持久化、云资源调控及模型验证变得像日常对话一样简单高效。

运行环境要求

操作系统
  • 未说明
GPU

不需要 GPU

内存

未说明

依赖
notes该工具是连接大语言模型与 Neo4j 的中间件服务器,本身不运行 AI 模型,因此无 GPU 需求。核心依赖是已安装并运行的 Neo4j 数据库实例;其中 'mcp-neo4j-cypher' 服务强制要求 Neo4j 实例安装并启用 APOC 插件以进行模式检查。支持 STDIO、SSE 和 HTTP 多种传输模式,并提供适用于 AWS ECS Fargate 和 Azure Container Apps 的容器化部署方案。
python未说明
Neo4j 数据库实例
APOC 插件 (针对 mcp-neo4j-cypher)
mcp-neo4j hero image

快速开始

Neo4j Labs MCP 服务器

Neo4j Labs

这些 MCP 服务器是 Neo4j Labs 计划的一部分。 它们由 Neo4j 的现场生成式 AI 团队开发和维护,并欢迎更广泛的开发者社区贡献代码。 这些服务器会频繁更新,加入新的实验性功能,但并不受 Neo4j 产品团队的支持。

它们正在积极开发和维护中,但我们不提供任何服务级别协议(SLA)或关于向后兼容性和弃用的保证。

如果您正在寻找官方的 Neo4j MCP 服务器,请访问 这里

概述

模型上下文协议(MCP)是一种用于管理大型语言模型(LLM)与外部系统之间上下文的标准化协议

这使您可以使用 Claude Desktop 或其他 MCP 客户端(VS Code、Cursor、Windsurf、Gemini CLI),通过自然语言与 Neo4j 和您的 Aura 账户交互,完成各种任务,例如:

  • 这个图里有什么?
  • 根据频率、总量和平均量绘制销售前几名产品的图表
  • 列出我的实例
  • 在 Aura Professional 中创建一个名为 mcp-test 的新实例,配置 4GB 内存并启用 Graph Data Science 功能
  • 存储今天我和 Andreas 以及 Oskar 一起参与了 Neo4j MCP 服务器开发的事实

服务器

mcp-neo4j-cypher - 自然语言到 Cypher 查询

详细信息请参阅 README

获取已配置数据库的模式,并在该数据库上执行生成的读写 Cypher 查询。

要求:需要在 Neo4j 实例上安装并启用 APOC 插件,以便进行模式检查。

mcp-neo4j-memory - 存储在 Neo4j 中的知识图谱记忆

详细信息请参阅 README

在本地或远程 Neo4j 实例中存储和检索您个人知识图谱中的实体和关系。 可以在不同的会话、对话和客户端之间访问这些信息。

mcp-neo4j-cloud-aura-api - Neo4j Aura 云服务管理 API

详细信息请参阅 README

直接从您的 AI 助手聊天界面中管理您的 Neo4j Aura 实例。 可以创建和销毁实例,按名称查找实例,调整实例规模,并启用相关功能。

mcp-neo4j-data-modeling - 交互式图数据建模与可视化

详细信息请参阅 README

创建、验证和可视化 Neo4j 图数据模型。支持从 Arrows.app 导入和导出模型。

传输模式

所有服务器都支持多种传输模式:

  • STDIO(默认):用于本地工具和 Claude Desktop 集成的标准输入输出
  • SSE:用于基于 Web 的部署的服务器发送事件
  • HTTP:适用于现代 Web 部署和微服务的可流式 HTTP

HTTP 传输配置

要以 HTTP 模式运行服务器,请使用 --transport http 标志:

# 基本 HTTP 模式
mcp-neo4j-cypher --transport http

# 自定义 HTTP 配置
mcp-neo4j-cypher --transport http --host 127.0.0.1 --port 8080 --path /api/mcp/

也可以使用环境变量:

export NEO4J_TRANSPORT=http
export NEO4J_MCP_SERVER_HOST=127.0.0.1
export NEO4J_MCP_SERVER_PORT=8080
export NEO4J_MCP_SERVER_PATH=/api/mcp/
mcp-neo4j-cypher

云部署

此仓库中的所有服务器都已容器化,可直接部署到 AWS ECS Fargate 和 Azure Container Apps 等云平台上。每台服务器都支持专为可扩展、生产就绪的部署设计的 HTTP 传输模式,具备自动伸缩和负载均衡能力。

📋 完整云部署指南 →

部署指南涵盖:

  • AWS ECS Fargate:带自动伸缩和应用负载均衡器的分步部署
  • Azure Container Apps:内置扩展和流量管理的无服务器容器部署
  • 配置最佳实践:安全性、监控、资源建议和故障排除
  • 集成示例:将 MCP 客户端连接到云端部署的服务器

贡献

欢迎贡献!请随时提交 Pull Request。

博客文章

许可证

MIT 许可证

版本历史

mcp-gemini-ext-v1.0.12026/03/18
mcp-neo4j-memory-v0.4.52026/02/23
mcp-neo4j-cypher-v0.5.32026/02/23
mcp-neo4j-aura-manager-v0.4.82026/02/23
mcp-neo4j-data-modeling-v0.8.22025/12/22
mcp-neo4j-data-modeling-v0.8.12025/12/16
mcp-neo4j-memory-v0.4.42025/12/15
mcp-neo4j-data-modeling-v0.8.02025/12/15
mcp-neo4j-cypher-v0.5.22025/12/15
mcp-neo4j-aura-manager-v0.4.72025/12/15
mcp-neo4j-memory-v0.4.32025/12/11
mcp-neo4j-data-modeling-v0.7.02025/11/19
mcp-neo4j-aura-manager-v0.4.62025/11/12
mcp-neo4j-memory-v0.4.22025/11/07
mcp-neo4j-data-modeling-v0.6.12025/11/07
mcp-neo4j-cypher-v0.5.12025/11/07
mcp-neo4j-aura-manager-v0.4.52025/11/07
mcp-neo4j-aura-manager-v0.4.42025/11/07
mcp-neo4j-data-modeling-v0.6.02025/11/03
mcp-neo4j-cypher-v0.5.02025/11/03

常见问题

相似工具推荐

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

scikit-learn

scikit-learn 是一个基于 Python 构建的开源机器学习库,依托于 SciPy、NumPy 等科学计算生态,旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口,涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具,内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言,scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点,让用户无需重复造轮子,只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格,所有估算器(Estimator)均遵循相同的调用逻辑,极大地降低了学习成本并提升了代码的可读性与可维护性。此外,它还提供了强大的模型选择与评估工具,如交叉验证和网格搜索,帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目,scikit-learn 以其稳定性、详尽的文档和活跃的社区支持,成为连接理论学习与工业级应用的最

65.6k|★☆☆☆☆|今天
开发框架其他数据工具

keras

Keras 是一个专为人类设计的深度学习框架,旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员,还是需要快速落地产品的工程师,都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码,即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性,还允许开发者根据需求自由选择:利用 JAX 或 PyTorch 的即时执行模式进行高效调试,或切换至速度最快的后端以获得最高 350% 的性能提升。此外,Keras 具备强大的扩展能力,能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群,是连接原型开发与生产部署的理想桥梁。

63.9k|★★☆☆☆|昨天
开发框架数据工具其他

crawl4ai

Crawl4AI 是一款专为大语言模型(LLM)设计的开源网络爬虫与数据提取工具。它的核心使命是将纷繁复杂的网页内容转化为干净、结构化的 Markdown 格式,直接服务于检索增强生成(RAG)、智能体构建及各类数据管道,让 AI 能更轻松地“读懂”互联网。 传统爬虫往往面临反爬机制拦截、动态内容加载困难以及输出格式杂乱等痛点,导致后续数据处理成本高昂。Crawl4AI 通过内置自动化的三级反机器人检测、代理升级策略以及对 Shadow DOM 的深度支持,有效突破了这些障碍。它能智能移除同意弹窗,处理深层链接,并具备长任务崩溃恢复能力,确保数据采集的稳定与高效。 这款工具特别适合开发者、AI 研究人员及数据工程师使用。无论是需要为本地模型构建知识库,还是搭建大规模自动化信息采集流程,Crawl4AI 都提供了极高的可控性与灵活性。作为 GitHub 上备受瞩目的开源项目,它完全免费开放,无需繁琐的注册或昂贵的 API 费用,让用户能够专注于数据价值本身而非采集难题。

63.2k|★★☆☆☆|3天前
数据工具Agent

meilisearch

Meilisearch 是一个开源的极速搜索服务,专为现代应用和网站打造,开箱即用。它能帮助开发者快速集成高质量的搜索功能,无需复杂的配置或额外的数据预处理。传统搜索方案往往需要大量调优才能实现准确结果,而 Meilisearch 内置了拼写容错、同义词识别、即时响应等实用特性,并支持 AI 驱动的混合搜索(结合关键词与语义理解),显著提升用户查找信息的体验。 Meilisearch 特别适合 Web 开发者、产品团队或初创公司使用,尤其适用于需要快速上线搜索功能的场景,如电商网站、内容平台或 SaaS 应用。它提供简洁的 RESTful API 和多种语言 SDK,部署简单,资源占用低,本地开发或生产环境均可轻松运行。对于希望在不依赖大型云服务的前提下,为用户提供流畅、智能搜索体验的团队来说,Meilisearch 是一个高效且友好的选择。

57k|★★☆☆☆|今天
图像Agent数据工具

Made-With-ML

Made-With-ML 是一个面向实战的开源项目,旨在帮助开发者系统掌握从设计、开发到部署和迭代生产级机器学习应用的完整流程。它解决了许多人在学习机器学习时“会训练模型但不会上线”的痛点,强调将软件工程最佳实践与 ML 技术结合,构建可靠、可维护的端到端系统。 该项目特别适合三类人群:一是希望将模型真正落地的开发者(包括软件工程师、数据科学家);二是刚毕业、想补齐工业界所需技能的学生;三是需要理解技术边界以更好推动产品的技术管理者或产品经理。 Made-With-ML 的亮点在于注重第一性原理讲解,避免盲目调包;同时覆盖 MLOps 关键环节(如实验跟踪、模型测试、服务部署、CI/CD 等),并支持在 Python 生态内平滑扩展训练与推理任务,无需切换语言或复杂基础设施。课程内容结构清晰,配有详细代码示例和视频导览,兼顾理论深度与工程实用性。

47.1k|★★☆☆☆|今天
语言模型其他数据工具