Zach Blumenfeld 在 Neo4j 的 workshop 里直接开怼——现在 Agent 拿数据回答的问题，根本不是模型不够强，也不是查询写不对，而是上下文是平的。Vector search 给一段，Text2SQL 给一段，Agent 拼起来就自信输出错误答案。他现场用 Lakehouse 数据搭了三种图结构：树（数据目录）、社区（主题聚类）、路径/循环（实体关系），然后通过 MCP 协议喂给 Agent，效果立竿见影。整个 workshop 有代码可跑，支持 BigQuery、Databricks、Snowflake。

Zach 的核心观点很直接：不要试图让 Agent 理解表结构，而是给它一个可导航的图。他反对把数据变平然后用向量搜索硬塞——那等于给 Agent 一张没有目录的图书馆。他做的第一件事就是建一棵“包含树”，把 schema、共享术语、join 路径都变成节点，Agent 通过 MCP 工具调用直接问“这个数据库里有什么”，而不是写 SQL 猜。第二个形状是社区检测，用 Leiden 算法把相关文档、记录聚成主题，Agent 可以自动发现“这些数据在讲同一件事”。第三个是路径和循环，捕捉实体之间怎么连接，比如某个客户和某个订单之间的跨表链路。Zach 强调，这些形状不是替代查询，而是让 Agent 先知道“数据长什么样”。

这个思路值得持续关注，因为它直接动了 Agent 数据接入的底层架构。现在大部分方案都在优化模型推理或 RAG 管道，但Zach 指出瓶颈在 Agent 的“数据感知”能力——它不知道数据里有啥、怎么连、哪些重要。图形上下文层相当于给 Agent 装了大脑中的海马体，能快速定位和导航。如果这种方案被标准化（比如 MCP + 图数据库），那未来 Agent 的数据接入会从“写 SQL/向量搜索”变成“先构建上下文形状”。对正在做 Agent 落地的人来说，这场 workshop 的代码和思路可以直接复用。