A Neo4j szemantikai rétege akár 81 százalékkal csökkentette a Text2SQL költségét

A szemantikai réteg az adatok jelentését teszi kereshetővé

A szemantikai réteg az adatbázisok és az azokat használó eszközök, például üzletiintelligencia-platformok vagy AI-ügynökök közé kerül. A Neo4j leírása szerint a réteg a nehezen értelmezhető fizikai sémát üzleti jelentéssel egészíti ki. Ehhez nemcsak az adatbázisok metaadatait használhatja, hanem adattárházak és adattavak katalógusait, lekérdezési naplókat, üzleti szójegyzékeket és ontológiákat is.

Erre azért van szükség, mert egy ügynök nyers táblák elé állítva minden kérdésnél újra megpróbálja kiválasztani a megfelelő táblákat, definíciókat és kapcsolásokat. Egy nagy adatkörnyezetben több, hasonló nevű bevételtábla is szerepelhet, ezért a modell könnyen rossz forrásból indulhat ki.

A Neo4j a Neocartát a metrikaközpontú szemantikai rétegek kiegészítéseként mutatja be. A dbt, a Snowflake, a Databricks és a Looker is kínál hasonló, előre definiált mérőszámokra és dimenziókra épülő megoldásokat. A Neocarta feladata ezzel szemben a felfedezés: a teljes adatkörnyezet metaadatait gráfban tárolja, és megkeresi, melyik tábla lehet releváns.

A gráf csak a szükséges táblákat adja át az ügynöknek

A Neocarta a raktár sémakatalógusából Neo4j-gráfot épít. Ebben adatbázisok, sémák, táblák és oszlopok szerepelnek, a kapcsolási útvonalakat pedig idegen kulcsok jelzik. A rendszer néhány mintaértéket és az objektumleírások beágyazásait is tárolja. A Neo4j-hoz csak metaadat kerül, a tényleges adatsorok az adattárházban maradnak.

A lekérdezéskor először szemantikai keresés választ ki egy kiinduló táblát, majd a gráf megkeresi a kapcsolódó táblákat és a pontosan használható oszlopokat. Az ügynök így két eszközzel dolgozik: az egyik a releváns metaadatot és kapcsolásokat keresi ki, a másik SQL-lekérdezést futtat az adattárházban. A Neo4j maga nem szolgáltatja az üzleti adatokat.

A vállalat szerint a megközelítés egyik előnye, hogy a Neocarta csatlakozói több adattárházat támogatnak, köztük a BigQueryt, a Snowflake-et és a Databrickset. A raktár cseréjekor a csatlakozó változik, miközben a gráf, az eszközök és az ügynök felépítése azonos maradhat.

A két teszt eltérő előnyöket mutatott

A BigQueryn futtatott Census ACS-katalógus 278, egymáshoz hasonló táblából állt, táblánként körülbelül 252 oszloppal, összesen nagyjából 68 ezer oszloppal. A Neo4j szerint a teljes séma mintegy 475 ezer tokenből áll, ezért nem fér el egy 128 ezres kontextusablakban.

A négy ellenőrzött kérdésből álló tesztben a gpt-4o-mini a szemantikai réteg nélkül 2/4 helyes eredményt adott, a Neocarta használatával viszont 4/4-re javult. A réteg nélkül két kérdésnél az ügynök 20 eszközhívásnyi próbálkozás után feladta, és nem adott választ. A vállalat a BigQuery-esetben legfeljebb 81 százalékos tokenmegtakarítást jelzett.

A Databricks-példa 264, 12 sémában elosztott örökölt táblát tartalmazott. Nyolc Anthropic-modell mindegyike 11/11 eredményt ért el a Neocarta segítségével, miközben 19 és 54 százalék közötti tokenmegtakarítást mértek, és a futás körülbelül kétszer gyorsabb lett. A Neo4j augusztusi, 2026-os számítása szerint az Opus 4.5 havi költsége 10 ezer lekérdezésnél nagyjából 1527 dollárról 693 dollárra csökkent.

A megoldás az ügynökök adatfelfedezését célozza

A Neo4j 2026. szeptember 7-én közzétett beszámolója szerint a tesztek azt mutatják, hogy a szemantikai réteg másképp javíthatja a Text2SQL-rendszereket a modell típusától függően. Az olcsóbb modellnél a pontosság növekedése és a sikertelen próbálkozások elkerülése került előtérbe, a nagyobb modelleknél pedig a token- és költségmegtakarítás.

A vállalat által bemutatott architektúra nem a hitelesített üzleti metrikák kezelését váltja ki. A gráf először megkeresi a megfelelő táblát, a metrikaréteg pedig továbbra is felelhet a jóváhagyott képletért. A Neocarta így azokban a környezetekben lehet hasznos, ahol az ügynöknek sok, eltérő rendszerben található és nehezen értelmezhető metaadat között kell eligazodnia.