Donner des paquets de documents PDF à manger à un grand modèle de langage (LLM) pour qu’il réponde aux questions de vos utilisateurs, c’était la grande mode de ces deux dernières années. Mais le RAG (Retrieval-Augmented Generation) classique affiche aujourd’hui ses limites : il sait extraire de l’information, mais il est totalement incapable de comprendre le pourquoi d’une situation ou d’apprendre de ses erreurs. En clair, il lui manque le contexte. Neo4j semble avoir la solution.
Pour franchir ce mur technologique, l’expert mondial des bases de données de graphes Neo4j est en train de bousculer les lignes. Par la voix de son ingénieur Zach Blumenfeld, la firme affirme que l’avenir de l’IA n’appartient plus au simple stockage documentaire, mais aux Graphes de Contexte (Context Graphs). Une approche novatrice qui ambitionne de donner aux agents autonomes une véritable structure de raisonnement causal et une trace de toutes leurs décisions passées.
L’opportunité : capturer le « Pourquoi »
Le terme de « Graphes de Contexte » n’est pas né de nulle part : il a été forgé par le fonds d’investissement Foundation Capital qui y voit l’opportunité à mille milliards de dollars pour l’IA. Pourquoi un tel engouement ? Parce que contrairement au RAG qui se contente de juxtaposer des données vectorielles, le graphe de contexte modélise les interactions sous forme de relations logiques.
Lorsqu’un agent IA prend une décision, cette dernière est enregistrée dans le graphe avec ses causes, ses dépendances et ses résultats. L’agent ne se contente plus de lire vos manuels d’entreprise ; il acquiert une expérience institutionnelle.
Cette rupture est si profonde que les géants de l’écosystème s’alignent déjà. Microsoft vient d’intégrer nativement cette brique en proposant un fournisseur de mémoire Neo4j pour son Agent Framework, ouvrant la voie à une gestion de la mémoire à long terme ultra-performante.
Une seule commande pour générer une application Agentic Full-Stack
Pour transformer la théorie en pratique, Neo4j Labs vient de frapper un grand coup en publiant un outil en ligne de commande (CLI) open source accessible sur create-context-graph.dev. En tapant une unique ligne dans leur terminal, les développeurs peuvent échafauder instantanément une application d’agent full-stack intégrant pas moins de 22 domaines métiers pré-configurés (comme la santé ou la finance).
Le CLI s’appuie sur le très populaire gestionnaire de paquets Python uv pour orchestrer une architecture de pointe basée sur le framework PydanticAI. L’environnement propose deux méthodes de déploiement selon les besoins de votre infrastructure :
Comparatif des architectures de déploiement open source
| Caractéristique | Mode NAMS (Par défaut) | Mode hébergé par vos soins (–self-hosted) |
| Gestion de l’infrastructure | Entièrement managée par Neo4j Labs | Gérée par vos soins (Docker, Aura, Local) |
| État initial du graphe | Démarre à vide, se peuple au fil du chat | Remplissage de démo complet via make seed |
| Dépendances requises | Clé API NAMS + Clé LLM (Anthropic, OpenAI…) | Instance Neo4j 5+ + Clé LLM |
| Cas d’usage idéal | Prototypage rapide et POC immédiat | Souveraineté totale des données en production |
Pour tester l’outil dès aujourd’hui, les prérequis techniques restent légers : une installation de Python 3.11+, Node.js 18+ pour propulser l’interface utilisateur, et vos clés d’API habituelles. Tout le code source et la documentation de la communauté sont à retrouver dès maintenant sur le GitHub de create-context-graph.
🦋 L’actualité de l’open source débarque dans votre flux. Suivez Goodtech sur Bluesky (ou vos applications AT Protocol préférées) grâce à notre bot officiel. Cliquez, suivez, partagez, c’est par ici !
