GraphRAG-Agents mit dem ADK erstellen

1. Übersicht

In diesem Codelab entwickeln Sie ein komplexes Multi-Agent-System für die Anlageforschung, das die Leistungsfähigkeit des Google Agent Development Kit (ADK), der Neo4j-Graphendatenbank und der Model Context Protocol (MCP) Toolbox kombiniert. In diesem praktischen Tutorial wird gezeigt, wie Sie intelligente Agents erstellen, die den Datenkontext anhand von Graphbeziehungen verstehen und sehr genaue Antworten auf Anfragen liefern.

Warum GraphRAG + Multi-Agent-Systeme?

GraphRAG (Graph-based Retrieval-Augmented Generation) verbessert herkömmliche RAG-Ansätze, indem die umfassende Beziehungsstruktur von Knowledge Graphs genutzt wird. Anstatt nur nach ähnlichen Dokumenten zu suchen, können GraphRAG-Agents:

Komplexe Beziehungen zwischen Entitäten durchlaufen
Kontext anhand der Diagrammstruktur verstehen
Anhand verbundener Daten nachvollziehbare Ergebnisse liefern
Mehrstufige Schlussfolgerungen im Knowledge Graph ziehen

Multi-Agent-Systeme bieten folgende Möglichkeiten:

Komplexe Probleme in spezialisierte Teilaufgaben zerlegen
Modulare, wartungsfreundliche KI-Anwendungen erstellen
Parallele Verarbeitung und effiziente Ressourcennutzung ermöglichen
Hierarchische Schlussfolgerungsmuster mit Orchestrierung erstellen

Aufgaben

Sie erstellen ein vollständiges System für die Anlageforschung mit folgenden Funktionen:

Graph Database Agent: Führt Cypher-Abfragen aus und versteht das Neo4j-Schema.
Investor Research Agent: Ermittelt Investorenbeziehungen und Anlageportfolios
Investment Research Agent: Greift über MCP-Tools auf umfassende Knowledge Graphs zu.
Root-Agent: Orchestriert alle untergeordneten Agents auf intelligente Weise.

Das System kann komplexe Fragen beantworten, z. B.:

„Wer sind die wichtigsten Konkurrenten von YouTube?“
„Welche Unternehmen werden im Januar 2023 positiv erwähnt?“
„Wer hat in ByteDance investiert und wo haben diese Investoren noch investiert?“

Architekturübersicht

In diesem Codelab lernen Sie sowohl die konzeptionellen Grundlagen als auch die praktische Implementierung von GraphRAG-Agents für Unternehmen kennen.

Lerninhalte

Multi-Agent-Systeme mit dem Agent Development Kit (ADK) von Google erstellen
Neo4j-Grafikdatenbank in ADK für GraphRAG-Anwendungen einbinden
Implementierung der MCP-Toolbox (Model Context Protocol) für vorab validierte Datenbankabfragen
Benutzerdefinierte Tools und Funktionen für intelligente KI-Agenten erstellen
Agent-Hierarchien und Orchestrierungsmuster entwerfen
Agent-Anweisungen für optimale Leistung strukturieren
Multi-Agent-Interaktionen effektiv debuggen

Voraussetzungen

Chrome-Webbrowser
Ein Gmail-Konto
Ein Google Cloud-Projekt mit aktivierter Abrechnung
Grundkenntnisse in Terminalbefehlen und Python (hilfreich, aber nicht erforderlich)

In diesem Codelab, das sich an Entwickler aller Erfahrungsstufen (auch Anfänger) richtet, werden Python und Neo4j in der Beispielanwendung verwendet. Grundkenntnisse in Python und Graphdatenbanken können hilfreich sein, sind aber nicht erforderlich, um die Konzepte zu verstehen oder dem Kurs zu folgen.

2. GraphRAG und Multi-Agent-Systeme

Bevor wir uns mit der Implementierung befassen, sollten wir uns die wichtigsten Konzepte ansehen, die diesem System zugrunde liegen.

Neo4j ist eine führende native Graphendatenbank, in der Daten als Netzwerk von Knoten (Entitäten) und Beziehungen (Verbindungen zwischen Entitäten) gespeichert werden. Sie eignet sich daher ideal für Anwendungsfälle, in denen es wichtig ist, Verbindungen zu verstehen, z. B. Empfehlungen, Betrugserkennung und Knowledge Graphs. Im Gegensatz zu relationalen oder dokumentbasierten Datenbanken, die auf starren Tabellen oder hierarchischen Strukturen basieren, ermöglicht das flexible Graphmodell von Neo4j eine intuitive und effiziente Darstellung komplexer, miteinander verbundener Daten.

Anstatt Daten wie relationale Datenbanken in Zeilen und Tabellen zu organisieren, verwendet Neo4j ein Graphenmodell, in dem Informationen als Knoten (Entitäten) und Beziehungen (Verbindungen zwischen diesen Entitäten) dargestellt werden. Dieses Modell ist besonders intuitiv für die Arbeit mit Daten, die von Natur aus miteinander verknüpft sind, z. B. Personen, Orte, Produkte oder in unserem Fall Filme, Schauspieler und Genres.

Beispiel: In einem Filmdataset:

Ein Knoten kann eine Movie, Actor oder Director darstellen.
Eine Beziehung kann ACTED_IN oder DIRECTED sein.

So können Sie ganz einfach Fragen stellen wie:

In welchen Filmen hat dieser Schauspieler mitgespielt?
Wer hat mit Christopher Nolan zusammengearbeitet?
Was sind ähnliche Filme basierend auf gemeinsamen Schauspielern oder Genres?

Was ist GraphRAG?

Retrieval-Augmented Generation (RAG) verbessert LLM-Antworten, indem relevante Informationen aus externen Quellen abgerufen werden. Bei herkömmlichem RAG:

Dokumente in Vektoren einbetten
Suchen nach ähnlichen Vektoren
Übergeben abgerufene Dokumente an das LLM

GraphRAG erweitert diesen Ansatz durch die Verwendung von Knowledge Graphs:

Entitäten und Beziehungen einbetten
Durchläuft Diagrammverbindungen
Ruft Kontextinformationen für mehrere Schritte ab
Strukturierte, nachvollziehbare Ergebnisse

Warum Graphen für KI-Agents?

Betrachten Sie diese Frage: „Wer sind die Wettbewerber von YouTube und welche Investoren haben sowohl YouTube als auch seine Wettbewerber finanziert?“

So funktioniert der herkömmliche RAG-Ansatz:

Nach Dokumenten über YouTube-Konkurrenten suchen
Separate Suche nach Informationen für Investoren
Schwierigkeiten, diese beiden Informationen zu verknüpfen
Implizite Beziehungen werden möglicherweise nicht berücksichtigt

So funktioniert der GraphRAG-Ansatz:

MATCH (youtube:Company {name: "YouTube"})-[:COMPETES_WITH]->(competitor:Company)
MATCH (investor:Investor)-[:INVESTED_IN]->(youtube)
MATCH (investor)-[:INVESTED_IN]->(competitor)
RETURN youtube, competitor, investor

Im Diagramm werden Beziehungen auf natürliche Weise dargestellt, sodass Multi-Hop-Abfragen einfach und effizient sind.

Multi-Agenten-Systeme im ADK

Das Agent Development Kit (ADK) ist das Open-Source-Framework von Google zum Erstellen und Bereitstellen von produktionsreifen KI-Agenten. Es bietet intuitive Primitiven für die Orchestrierung von Multi-Agent-Systemen, die Toolintegration und das Workflowmanagement, sodass sich spezialisierte Agents ganz einfach zu komplexen Systemen zusammenstellen lassen. Das ADK funktioniert nahtlos mit Gemini und unterstützt die Bereitstellung in Cloud Run, Kubernetes oder einer beliebigen Infrastruktur.

Das Agent Development Kit (ADK) bietet Primitiven zum Erstellen von Multi-Agent-Systemen:

Agent-Hierarchie:

# Root agent coordinates specialized agents
root_agent = LlmAgent(
    name="RootAgent",
    sub_agents=[
        graph_db_agent,
        investor_agent,
        investment_agent
    ]
)

Spezialisierte Kundenservicemitarbeiter: Jeder Kundenservicemitarbeiter hat

Spezifische Tools: Funktionen, die aufgerufen werden können
Klare Anweisungen: Rolle und Funktionen
Domänenwissen: Wissen über den Bereich

Orchestrierungsmuster:

Sequenziell: Agenten in der richtigen Reihenfolge ausführen
Parallel: Mehrere Agents gleichzeitig ausführen
Bedingt: Routing basierend auf dem Anfragetyp

MCP Toolbox für Datenbanken

Das Model Context Protocol (MCP) ist ein offener Standard zum Verbinden von KI-Systemen mit externen Datenquellen und Tools. Die MCP Toolbox für Datenbanken ist die Implementierung von Google, die die deklarative Verwaltung von Datenbankabfragen ermöglicht. So können Sie vorab validierte, von Experten erstellte Abfragen als wiederverwendbare Tools definieren. Anstatt LLMs potenziell unsichere Anfragen generieren zu lassen, stellt die MCP Toolbox vorab genehmigte Anfragen mit Parameterüberprüfung bereit. So werden Sicherheit, Leistung und Zuverlässigkeit gewährleistet und gleichzeitig die Flexibilität für KI-Agenten beibehalten.

Traditioneller Ansatz:

# LLM generates query (may be incorrect/unsafe)
query = llm.generate("SELECT * FROM users WHERE...")
db.execute(query)  # Risk of errors/SQL injection

MCP-Ansatz:

# Pre-validated query definition
- name: get_industries
  description: Fetch all industries from database
  query: |
    MATCH (i:Industry)
    RETURN i.name, i.id

Vorteile:

Von Experten vorab validiert
Schutz vor Injection-Angriffen
Leistungsoptimiert
Zentral verwaltet
In mehreren Agents wiederverwendbar

Abschluss

Die Kombination aus GraphRAG, Multi-Agent Framework von ADK und MCP ergibt ein leistungsstarkes System:

Root-Agent empfängt Nutzeranfrage
Weiterleitung an einen spezialisierten Kundenservicemitarbeiter basierend auf dem Anfragetyp
Der Agent verwendet MCP-Tools, um Daten sicher abzurufen.
Die Diagrammstruktur bietet umfangreichen Kontext.
Das LLM generiert eine fundierte, nachvollziehbare Antwort.

Nachdem wir uns mit der Architektur vertraut gemacht haben, können wir mit der Entwicklung beginnen.

3. Google Cloud-Projekt einrichten

Projekt erstellen

Wählen Sie in der Google Cloud Console auf der Seite zur Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist .
Sie verwenden Cloud Shell, eine Befehlszeilenumgebung, die in Google Cloud ausgeführt wird. Klicken Sie oben in der Google Cloud Console auf „Cloud Shell aktivieren“. Sie können zwischen dem Cloud Shell-Terminal (zum Ausführen von Cloud-Befehlen) und dem Editor (zum Erstellen von Projekten) wechseln, indem Sie in Cloud Shell auf die entsprechende Schaltfläche klicken.

Bild der Schaltfläche „Cloud Shell aktivieren“

Wenn Sie mit Cloud Shell verbunden sind, können Sie mit dem folgenden Befehl prüfen, ob Sie bereits authentifiziert sind und das Projekt auf Ihre Projekt-ID festgelegt ist:

gcloud auth list

Führen Sie den folgenden Befehl in Cloud Shell aus, um zu bestätigen, dass der gcloud-Befehl Ihr Projekt kennt.

gcloud config list project

Wenn Ihr Projekt nicht festgelegt ist, verwenden Sie den folgenden Befehl, um es festzulegen:

gcloud config set project <YOUR_PROJECT_ID>

Informationen zu gcloud-Befehlen und deren Verwendung finden Sie in der Dokumentation.

Super! Wir können nun mit dem nächsten Schritt fortfahren: dem Analysieren des Datasets.

4. Das Dataset „Unternehmen“

In diesem Codelab verwenden wir eine schreibgeschützte Neo4j-Datenbank, die mit Investitions- und Unternehmensdaten aus dem Knowledge Graph von Diffbot vorab gefüllt wurde.

Das Dataset enthält:

237.358 Knoten,die Folgendes darstellen:
Organisationen (Unternehmen)
Personen (Führungskräfte, Mitarbeiter)
Artikel (Nachrichten und Erwähnungen)
Branchen
Technologien
Investoren
Beziehungen, einschließlich:
INVESTED_IN – Investmentverbindungen
COMPETES_WITH – Wettbewerbsbeziehungen
MENTIONS – Artikelreferenzen
WORKS_AT – Arbeitsverhältnisse
IN_INDUSTRY – Branchenklassifizierungen

Auf die Demodatenbank zugreifen

In diesem Codelab verwenden wir eine gehostete Demo-Instanz. Fügen Sie diese Anmeldedaten Ihren Notizen hinzu:

URI: neo4j+s://demo.neo4jlabs.com
Username: companies
Password: companies
Database: companies

Browserzugriff:

Sie können die Daten unter https://demo.neo4jlabs.com:7473 visuell darstellen.

Melden Sie sich mit denselben Anmeldedaten an und führen Sie Folgendes aus:

// Sample query to explore the graph
MATCH (o:Organization)-[:HAS_COMPETITOR]->(competitor:Organization)
RETURN o.name, competitor.name
LIMIT 10

Diagrammstruktur visualisieren

Probieren Sie diese Abfrage im Neo4j-Browser aus, um Beziehungsmuster zu sehen:

// Find investors and their portfolio companies
MATCH (investor:Organization)-[:HAS_INVESTOR]->(company:Organization)
WITH investor, collect(company.name) as portfolio
RETURN investor.name, size(portfolio) as num_investments, portfolio
ORDER BY num_investments DESC
LIMIT 5

Diese Abfrage gibt die fünf aktivsten Investoren und ihre Portfolios zurück.

Warum diese Datenbank für GraphRAG?

Dieses Dataset eignet sich hervorragend für die Demonstration von GraphRAG, da:

Umfangreiche Beziehungen: Komplexe Verbindungen zwischen Entitäten
Reale Daten: tatsächliche Unternehmen, Personen und Nachrichtenartikel
Multi-Hop-Abfragen: Erfordert das Durchlaufen mehrerer Beziehungstypen
Zeitbezogene Daten: Artikel mit Zeitstempeln für zeitbasierte Analysen
Sentimentanalyse: Vorab berechnete Sentiment-Scores für Artikel

Nachdem Sie sich mit der Datenstruktur vertraut gemacht haben, können Sie Ihre Entwicklungsumgebung einrichten.

5. Repository klonen und Umgebung konfigurieren

Repository klonen

Führen Sie im Cloud Shell-Terminal folgenden Befehl aus:

# Clone the repository
git clone https://github.com/sidagarwal04/neo4j-adk-multiagents.git

# Navigate into the directory
cd neo4j-adk-multiagents

Repository-Struktur ansehen

Sehen Sie sich das Projektlayout an:

neo4j-adk-multiagents/
├── investment_agent/       # Main agent code
│   ├── agent.py           # Agent definitions
│   ├── tools.py           # Custom tool functions
│   └── .adk/              # ADK configuration
│       └── tools.yaml     # MCP tool definitions
├── main.py                # Application entry point
├── setup_tools_yaml.py    # Configuration generator
├── requirements.txt       # Python dependencies
├── example.env           # Environment template
└── README.md             # Project documentation

Virtuelle Umgebung einrichten

Bevor Sie virtuelle Python-Umgebungen erstellen und aktivieren, müssen Sie sicherstellen, dass das Paket uv bereits auf Ihrem System installiert ist:

# Install uv if not already installed
pip install uv

Erstellen und aktivieren Sie eine virtuelle Python-Umgebung mit uv:

# Create virtual environment
uv venv

# Activate the environment
source .venv/bin/activate  # On macOS/Linux
# or
.venv\Scripts\activate  # On Windows

(.venv) sollte nun vor der Eingabeaufforderung in Ihrem Terminal angezeigt werden.

Abhängigkeiten installieren

Installieren Sie alle erforderlichen Pakete:

uv pip install -r requirements.txt

Wichtige Abhängigkeiten:

google-adk>=1.21.0          # Agent Development Kit
neo4j>=6.0.3               # Neo4j Python driver
python-dotenv>=1.0.0       # Environment variables

Umgebungsvariablen konfigurieren

Erstellen Sie die Datei .env:

cp example.env .env

Bearbeiten Sie die Datei .env.

Wenn Sie Cloud Shell verwenden, klicken Sie in der Symbolleiste auf „Editor öffnen“, rufen Sie .env auf und aktualisieren Sie Folgendes:

# Neo4j Configuration (Demo Database)
NEO4J_URI=neo4j+ssc://demo.neo4jlabs.com
NEO4J_USERNAME=companies
NEO4J_PASSWORD=companies
NEO4J_DATABASE=companies

# Google AI Configuration
# Choose ONE of the following options:

# Option 1: Google AI API (Recommended)
GOOGLE_GENAI_USE_VERTEXAI=0
GOOGLE_API_KEY=your_api_key_here  # Get from https://aistudio.google.com/app/apikey

# Option 2: Vertex AI (If using GCP)
# GOOGLE_GENAI_USE_VERTEXAI=1
# GOOGLE_CLOUD_PROJECT=your-project-id
# GOOGLE_CLOUD_LOCATION=us-central1

# ADK Configuration
GOOGLE_ADK_MODEL=gemini-3-pro-preview  # or gemini-3-flash-preview

# MCP Toolbox Configuration
MCP_TOOLBOX_URL=https://toolbox-990868019953.us-central1.run.app/mcp/sse

MCP Toolbox-Konfiguration (vorkonfiguriert – muss nicht ausgeführt werden):

In diesem Lab wird die MCP Toolbox bereits gehostet und vorkonfiguriert. Sie müssen also keine tools.yaml-Datei lokal generieren oder verwalten.

Normalerweise würden Sie den folgenden Befehl ausführen, um „tools.yaml“ aus Umgebungsvariablen zu generieren, nachdem Sie investment_agent/.adk/tools.yaml.template nach Bedarf aktualisiert haben:

python setup_tools_yaml.py

Dadurch wird investment_agent/.adk/tools.yaml mit Ihren Neo4j-Anmeldedaten generiert, die für die MCP Toolbox richtig konfiguriert sind.

Sie sollten das obige Skript nur ausführen, wenn:

Sie hosten die MCP Toolbox selbst.
Sie stellen eine Verbindung zu einer anderen Neo4j-Datenbank oder einem anderen Dataset her.
Sie möchten benutzerdefinierte Tools oder Anmeldedaten definieren.

In diesen Fällen müssen die MCP Toolbox-URL und die tools.yaml-Konfiguration entsprechend aktualisiert werden.

Konfiguration prüfen

Prüfen Sie, ob alles richtig eingerichtet ist:

# Verify .env file exists
ls -la .env

# Verify tools.yaml was generated
ls -la investment_agent/.adk/tools.yaml

# Test Python environment
python -c "import google.adk; print('ADK installed successfully')"

# Test Neo4j connection
python -c "from neo4j import GraphDatabase; print('Neo4j driver installed')"

Ihre Entwicklungsumgebung ist jetzt vollständig konfiguriert. Als Nächstes sehen wir uns die Multi-Agent-Architektur an.

6. Multi-Agenten-Architektur verstehen

Das System mit vier Agents

Unser System für die Anlageforschung nutzt eine hierarchische Multi-Agent-Architektur mit vier spezialisierten Agents, die zusammenarbeiten, um komplexe Anfragen zu Unternehmen, Investoren und Marktinformationen zu beantworten.

                ┌──────────────┐
                │  Root Agent  │ ◄── User Query
                └──────┬───────┘
                       │
      ┌────────────────┼────────────────┐
      │                │                │
┌─────▼─────┐     ┌────▼─────┐     ┌────▼──────────┐
│ Graph DB  │     │ Investor │     │  Investment   │
│  Agent    │     │ Research │     │  Research     │
└───────────┘     │  Agent   │     │  Agent        │
                  └──────────┘     └───────────────┘

Root-Agent (Orchestrator):

Der Root-Agent fungiert als intelligenter Koordinator des gesamten Systems. Er empfängt Nutzeranfragen, analysiert die Absicht und leitet Anfragen an den am besten geeigneten spezialisierten Agenten weiter. Stellen Sie sich vor, Sie sind ein Projektmanager, der weiß, welches Teammitglied am besten für die jeweilige Aufgabe geeignet ist. Außerdem werden Antworten zusammengefasst, Ergebnisse auf Anfrage als Tabellen oder Diagramme formatiert und der Gesprächskontext über mehrere Anfragen hinweg beibehalten. Der Root-Agent bevorzugt immer spezialisierte Agents gegenüber dem allgemeinen Datenbank-Agenten, damit Anfragen von der kompetentesten verfügbaren Komponente bearbeitet werden.

Graph Database Agent:

Der Graph Database Agent ist Ihre direkte Verbindung zu den leistungsstarken Graph-Funktionen von Neo4j. Es versteht das Datenbankschema, generiert Cypher-Abfragen aus natürlicher Sprache und führt komplexe Graphdurchläufe aus. Dieser Agent ist auf strukturelle Fragen, Aggregationen und Multi-Hop-Schlussfolgerungen im Knowledge Graph spezialisiert. Er ist der Fallback-Experte, wenn für Anfragen benutzerdefinierte Logik erforderlich ist, die mit vordefinierten Tools nicht verarbeitet werden kann. Daher ist er für explorative Analysen und komplexe analytische Anfragen unerlässlich, die im Systemdesign nicht berücksichtigt wurden.

Investor Research Agent:

Der Investor Research Agent konzentriert sich ausschließlich auf Investitionsbeziehungen und Portfolioanalysen. Es kann mithilfe des genauen Namensabgleichs ermitteln, wer in bestimmte Unternehmen investiert hat, vollständige Investorenportfolios mit allen Investitionen abrufen und Investitionsmuster in verschiedenen Branchen analysieren. Diese Spezialisierung macht es äußerst effizient bei der Beantwortung von Fragen wie „Wer hat in ByteDance investiert?“ oder „In was hat Sequoia Capital noch investiert?“. Der Agent verwendet benutzerdefinierte Python-Funktionen, mit denen die Neo4j-Datenbank direkt nach Beziehungen im Zusammenhang mit Investoren abgefragt wird.

Investment Research Agent:

Der Investment Research Agent nutzt die MCP-Toolbox (Model Context Protocol), um auf vorab validierte, von Experten erstellte Anfragen zuzugreifen. Sie kann alle verfügbaren Branchen abrufen, Unternehmen in bestimmten Branchen finden, Artikel mit Stimmungsanalyse finden, Erwähnungen von Organisationen in Nachrichten entdecken und Informationen zu Personen abrufen, die in Unternehmen arbeiten. Im Gegensatz zum Graph Database Agent, der Abfragen dynamisch generiert, verwendet dieser Agent sichere, optimierte, vordefinierte Abfragen, die zentral verwaltet und validiert werden. Das macht es sowohl sicher als auch leistungsstark für gängige Forschungs-Workflows.

7. Multi-Agent-System ausführen und testen

Anwendung starten

Nachdem Sie nun die Architektur kennen, können Sie das gesamte System ausführen und damit interagieren.

ADK-Weboberfläche starten:

# Make sure you're in the project directory with activated virtual environment
cd ~/neo4j-adk-multiagents
source .venv/bin/activate  # If not already activated

# Launch the application
uv run adk web

Die Ausgabe sollte etwa so aussehen:

INFO:     Started server process [2542]
INFO:     Waiting for application startup.

+----------------------------------------------------------------+
| ADK Web Server started                                         |
|                                                                |
| For local testing, access at http://127.0.0.1:8000.            |
+----------------------------------------------------------------+

INFO:     Application startup complete.
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)

Sobald der Server erfolgreich gestartet wurde, öffnen Sie Ihren Browser und rufen Sie http://127.0.0.1:8000 auf, um auf die Anwendung zuzugreifen.

Abfragen und erwartetes Verhalten testen

Sehen wir uns die Möglichkeiten des Systems anhand von immer komplexeren Anfragen an:

Einfache Anfragen (einzelner Kundenservicemitarbeiter)

Abfrage 1: Branchen entdecken

What industries are available in the database?

Erwartetes Verhalten:

Root-Agent leitet Anfragen an den Investment Research-Agent weiter
Verwendet das MCP-Tool: get_industries()
Gibt eine formatierte Liste aller Branchen zurück.

Was ist zu beobachten?

Maximieren Sie in der ADK-Benutzeroberfläche die Ausführungsdetails, um Folgendes zu sehen:

Entscheidung zur Auswahl des Kundenservicemitarbeiters
Toolaufruf: get_industries()
Rohdaten aus Neo4j
Formatierte Antwort

Abfrage 2: Investoren finden

Who invested in ByteDance?

Erwartetes Verhalten:

Root Agent identifiziert diese Anfrage als anlegerbezogen
Weiterleitung an den Investor Research Agent
Verwendet Tool: find_investor_by_name("ByteDance")
Gibt Investoren mit ihren Typen (Person/Organisation) zurück

Ablauf:

Eine Liste der mit ByteDance verbundenen Investoren
Jeder Investor wird mit seinem Namen und seinem Entitätstyp (Person oder Organisation) zurückgegeben.
Eine kurze, für Menschen lesbare Zusammenfassung der Ergebnisse
Ein Folge-Prompt, in dem angeboten wird, ähnliche Investitionen oder Investorenportfolios zu untersuchen (möglicherweise)

Abfrage 3: Unternehmen nach Branche

Show me companies in the Artificial Intelligence industry

Erwartetes Verhalten:

Root-Agent leitet Anfragen an den Investment Research-Agent weiter
Verwendet das MCP-Tool: get_companies_in_industry("Artificial Intelligence")
Gibt eine Liste von KI-Unternehmen mit IDs und Gründungsdaten zurück

Was ist zu beobachten?

Achten Sie darauf, wie der Agent den genauen Namen der Branche verwendet.
Die Ergebnisse sind begrenzt, um eine Überlastung der Ausgabe zu vermeiden.
Die Daten sind zur besseren Lesbarkeit übersichtlich formatiert.

Zwischenabfragen (mehrere Schritte in einem Agent)

Abfrage 4: Sentimentanalyse

Find articles with positive sentiment from January 2023

Erwartetes Verhalten:

Zugriff auf den Investment Research Agent
Verwendet das MCP-Tool: get_articles_with_sentiment(0.7, 2023, 1)
Gibt Artikel mit Titeln, Sentiment-Werten und Veröffentlichungsdaten zurück

Tipp zur Fehlerbehebung:

Sehen Sie sich die Parameter für den Tool-Aufruf an:

min_sentiment: 0,7 (der Kundenservicemitarbeiter interpretiert „positiv“ als >= 0,7)
year: 2023
month: 1

Abfrage 5: Komplexe Datenbankabfrage

How many companies are in the database?

Erwartetes Verhalten:

Root-Agent leitet Anfragen an Graph Database Agent weiter
Der Kundenservicemitarbeiter ruft get_neo4j_schema() zuerst an, um die Struktur zu verstehen.
Generiert Cypher: MATCH (c:Company) RETURN count(c)
Führt die Abfrage aus und gibt die Anzahl zurück

Erwartete Antwort:

There are 46,088 companies in the database.

Erweiterte Anfragen (Koordination mehrerer Agents)

Abfrage 6: Portfolioanalyse

Who invested in ByteDance and what else have they invested in?

Erwartetes Verhalten:

Diese Anfrage besteht aus zwei Teilen und erfordert die Zusammenarbeit mit einem Kundenservicemitarbeiter:

Schritt 1: Root Agent → Investor Research Agent
Ruft find_investor_by_name("ByteDance") auf
Ruft die Investorenliste ab: [Rong Yue, Wendi Murdoch]
Schritt 2: Für jeden Investor → Investor Research Agent
Ruft find_investor_by_id(investor_id) auf
Ruft das vollständige Portfolio ab
Schritt 3: Root-Agent aggregiert und formatiert

Ablauf:

Eine Liste der Investoren, die in ByteDance investiert haben
Für jeden Investor:
Name und Entitätstyp (Person oder Organisation)
Eine Liste anderer Unternehmen, in die sie investiert haben, basierend auf verfügbaren Daten
Eine strukturierte, leicht lesbare Zusammenfassung, gruppiert nach Investor

Was ist zu beobachten?

Mehrere Tool-Aufrufe in Folge
Kontext wird zwischen Schritten beibehalten
Intelligent zusammengefasste Ergebnisse

Abfrage 7: Recherche in mehreren Domains

What are 5 AI companies mentioned in positive articles, and who are their CEOs?

Erwartetes Verhalten:

Für diese komplexe Anfrage sind mehrere Agents und Tools erforderlich:

Schritt 1: Investment Research Agent
get_companies_in_industry("Artificial Intelligence")
Gibt eine Liste von KI-Unternehmen zurück
Schritt 2: Investment Research Agent
get_articles_with_sentiment(0.8)
Gibt positive Artikel zurück
Schritt 3: Root-Agent-Filter
Identifiziert, welche KI-Unternehmen in positiven Artikeln erwähnt werden
Wählt die 5 besten aus
Schritt 4: Investment Research Agent
get_people_in_organizations([company_names], "CEO")
Gibt Informationen zum CEO zurück
Schritt 5: Root-Agent formatiert die Antwort

Ablauf:

Eine Liste mit fünf Unternehmen aus der Branche für künstliche Intelligenz
Nur Unternehmen, die in Artikeln mit positiver Bewertung vorkommen
Für jedes Unternehmen:
Name des Unternehmens
Branche
Name des CEO
Ein aggregierter oder repräsentativer Sentimentwert

Was ist zu beobachten?

Mehrere Tool-Aufrufe über verschiedene Agents hinweg
Logik für Datenfilterung und ‐kombination

Abfrage 8: Wettbewerbsanalyse

Who are YouTube's main competitors?

Erwartetes Verhalten:

Root Agent leitet Anfragen an Graph Database Agent weiter (Beziehungsabfrage)
Der Agent generiert GraphRAG-optimiertes Cypher:

MATCH (c:Company {name: "YouTube"})-[:COMPETES_WITH]->(competitor)
RETURN competitor.name as competitor_name

Gibt eine Liste der konkurrierenden Unternehmen zurück.

Erwartete Antwort:

YouTube's main competitors are:

- TikTok (ByteDance)
- Dailymotion
- Twitter
- BuzzFeed
- Mixer
- OpenAI (for video content)

Kontextbezogene Folgeanfragen

Abfrage 9: Folgefrage (nach Abfrage 8)

Which investors funded both YouTube and its competitors?

Erwartetes Verhalten:

Der Root-Agent merkt sich den vorherigen Kontext (YouTube und seine Wettbewerber).
Weiterleitung an den Investor Research Agent
Für YouTube und jeden Mitbewerber werden Investoren gefunden.
Investoren identifizieren, die in mehreren Unternehmen vertreten sind

Ablauf:

Das System verwendet den vorhandenen Unterhaltungskontext (YouTube und seine Mitbewerber).
Eine Liste von Investoren, die in mehr als ein Unternehmen in diesem Wettbewerbsumfeld investiert haben
Für jeden Investor:
Name des Investors
Eine gruppierte Liste relevanter Unternehmen, in die sie investiert haben
Eine kurze interpretative Zusammenfassung, in der strategische Überschneidungen oder Muster hervorgehoben werden (vielleicht)

Abfrage 10: Zusammenfassung der Recherche

Summarize our research findings so far

Erwartetes Verhalten:

Root-Agent prüft den Unterhaltungsverlauf
Die wichtigsten Erkenntnisse aus früheren Anfragen werden zusammengefasst.
Bietet eine kohärente Zusammenfassung

Ablauf:

Eine prägnante, gut strukturierte Zusammenfassung der Erkenntnisse aus früheren Anfragen
Wichtige Erkenntnisse nach Themen gruppiert (Branchenübersicht, Unternehmensanalyse, Stimmung, Wettbewerb, Führung)
Löschen Sie Aufzählungspunkte, die Folgendes hervorheben:
Untersuchte Branchen
Wichtige Unternehmen und Investoren
Unternehmensübergreifende Investitionsmuster
Trends beim Marktsentiment
Eine kohärente Geschichte, die eine kontextbezogene Zusammenfassung der gesamten Sitzung widerspiegelt

Agenteninteraktionen in der Debugging-Ansicht

Die ADK-Weboberfläche bietet detaillierte Informationen zur Ausführung. Achten Sie auf Folgendes:

Ereignisverlauf

Chronologischer Ablauf:

[USER] Query received
[ROOT_AGENT] Analyzing query intent
[ROOT_AGENT] Routing to investment_research_agent
[INVESTMENT_RESEARCH_AGENT] Tool call: get_companies_in_industry
[TOOL] Executing with params: {"industry_name": "Artificial Intelligence"}
[TOOL] Returned 47 results
[INVESTMENT_RESEARCH_AGENT] Formatting response
[ROOT_AGENT] Presenting to user

Details zum Aufrufen von Tools

Klicken Sie auf einen beliebigen Toolaufruf, um Folgendes zu sehen:

Funktionsname
Eingabeparameter
Rückgabewert
Ausführungszeit
Fehler

Entscheidungsfindung durch den Agent

Logik des LLM beobachten:

Warum wurde ein bestimmter Agent ausgewählt?
Wie die Anfrage interpretiert wurde
Welche Tools wurden berücksichtigt?
Warum Ergebnisse auf eine bestimmte Weise formatiert wurden

Häufige Beobachtungen und Statistiken

Muster für das Weiterleiten von Anfragen:

Keywords wie „Investor“, „investiert“ → Investor Research Agent
Keywords wie „Branche“, „Unternehmen“, „Artikel“ → Investment Research Agent
Aggregationen, Zählungen, komplexe Logik → Graph Database Agent

Hinweise zur Leistung:

MCP-Tools sind in der Regel schneller (voroptimierte Anfragen).
Die Generierung komplexer Cypher-Abfragen dauert länger (LLM-Denkzeit).
Mehrere Tool-Aufrufe erhöhen die Latenz, liefern aber umfassendere Ergebnisse.

Fehlerbehandlung:

Wenn eine Abfrage fehlschlägt:

Der Kundenservicemitarbeiter erklärt, was schiefgelaufen ist
Schlägt Korrekturen vor (z.B. „Name des Unternehmens nicht gefunden, Rechtschreibung prüfen“)
Möglicherweise alternative Ansätze ausprobieren

Tipps für effektive Tests

Einfach anfangen: Testen Sie die Kernfunktionen jedes Agents, bevor Sie komplexe Anfragen stellen.
Follow-ups verwenden: Testen Sie die Kontextbeibehaltung mit Folgefragen.
Routing beobachten: Sehen Sie sich an, welcher Agent die einzelnen Anfragen bearbeitet, um die Logik zu verstehen.
Tool-Aufrufe prüfen: Prüfen Sie, ob Parameter korrekt aus natürlicher Sprache extrahiert werden.
Grenzfälle testen: Testen Sie mehrdeutige Anfragen, Falschschreibungen oder ungewöhnliche Anfragen.

Sie haben jetzt ein voll funktionsfähiges GraphRAG-System mit mehreren Agents. Experimentieren Sie mit eigenen Fragen, um die Möglichkeiten von Gemini zu erkunden.

8. Bereinigen

So vermeiden Sie, dass Ihrem Google Cloud-Konto die in diesem Beitrag verwendeten Ressourcen in Rechnung gestellt werden:

Wechseln Sie in der Google Cloud Console zur Seite Ressourcen verwalten.
Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie auf Löschen.
Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Beenden, um das Projekt zu löschen.

9. Glückwunsch

🎉 Glückwunsch! Sie haben mit dem Agent Development Kit von Google, Neo4j und der MCP Toolbox erfolgreich ein GraphRAG-System mit mehreren Agenten in Produktionsqualität erstellt.

Durch die Kombination der intelligenten Orchestrierungsfunktionen von ADK mit dem beziehungsreichen Datenmodell von Neo4j und der Sicherheit vorab validierter MCP-Abfragen haben Sie ein ausgeklügeltes System geschaffen, das über einfache Datenbankabfragen hinausgeht. Es versteht den Kontext, analysiert komplexe Beziehungen und koordiniert spezialisierte Agents, um umfassende, genaue Statistiken zu liefern.

In diesem Codelab haben Sie Folgendes erreicht:

✅ Multi-Agent-System mit hierarchischer Orchestrierung erstellt, das auf dem Agent Development Kit (ADK) von Google basiert

✅ Integrierte Neo4j-Grafikdatenbank für beziehungsbezogene Abfragen und Multi-Hop-Reasoning

✅ MCP Toolbox implementiert, um sichere, vorab validierte Datenbankabfragen als wiederverwendbare Tools zu nutzen

✅ Spezialisierte Agents erstellt für die Investorenrecherche, die Anlageanalyse und den Betrieb von Graphdatenbanken

✅ Intelligentes Routing, das Anfragen automatisch an den am besten geeigneten Expert-Agenten weiterleitet

✅ Komplexe Datentypen werden verarbeitet, mit korrekter Neo4j-Typserialisierung für eine nahtlose Python-Integration

✅ Best Practices für die Produktion für das Agent-Design, die Fehlerbehandlung und das System-Debugging angewendet

Wie geht es weiter?

Diese Multi-Agent-GraphRAG-Architektur ist nicht auf die Anlageforschung beschränkt, sondern kann auf folgende Bereiche ausgeweitet werden:

Finanzdienstleistungen: Portfolio-Optimierung, Risikobewertung, Betrugserkennung
Gesundheitswesen: Koordination der Patientenversorgung, Analyse von Arzneimittelwechselwirkungen, klinische Forschung
E-Commerce: Personalisierte Empfehlungen, Optimierung der Lieferkette, Kundenstatistiken
Recht und Compliance: Vertragsanalyse, Überwachung von Vorschriften, Recherche von Rechtsprechung
Wissenschaftliche Forschung: Literaturrecherche, Zusammenarbeit, Zitationsanalyse
Enterprise Intelligence: Wettbewerbsanalysen, Marktforschung, Organisations-Knowledge Graphs

Überall dort, wo Sie komplexe, miteinander verbundene Daten + Fachwissen + Schnittstellen für natürliche Sprache haben, kann diese Kombination aus ADK-Multi-Agent-Systemen + Neo4j-Knowledge-Graphs + MCP-validierten Anfragen die nächste Generation intelligenter Unternehmensanwendungen ermöglichen.

Das Agent Development Kit von Google und die Gemini-Modelle werden ständig weiterentwickelt. So können Sie noch anspruchsvollere Schlussfolgerungsmuster, Echtzeitdatenintegration und multimodale Funktionen einbinden, um wirklich intelligente, kontextbezogene Systeme zu entwickeln.

Entdecken Sie weitere Möglichkeiten und entwickeln Sie weiter, um Ihre Anwendungen mit intelligenten Agenten auf das nächste Level zu bringen.

Weitere praktische Tutorials zum Knowledge Graph finden Sie in der Neo4j GraphAcademy. Zusätzliche Agent-Muster finden Sie im ADK Samples Repository.

🚀 Bereit für Ihr nächstes intelligentes Agentsystem?

GraphRAG-Agents mit dem ADK erstellen

1. Übersicht

Warum GraphRAG + Multi-Agent-Systeme?

Multi-Agent-Systeme bieten folgende Möglichkeiten:

Aufgaben

Architekturübersicht

Lerninhalte

Voraussetzungen

2. GraphRAG und Multi-Agent-Systeme

Was ist GraphRAG?

Warum Graphen für KI-Agents?

Multi-Agenten-Systeme im ADK

MCP Toolbox für Datenbanken

Abschluss

3. Google Cloud-Projekt einrichten

Projekt erstellen

4. Das Dataset „Unternehmen“

Auf die Demodatenbank zugreifen

Diagrammstruktur visualisieren

Warum diese Datenbank für GraphRAG?

5. Repository klonen und Umgebung konfigurieren

Repository klonen

Repository-Struktur ansehen

Virtuelle Umgebung einrichten

Abhängigkeiten installieren

Umgebungsvariablen konfigurieren

Konfiguration prüfen

6. Multi-Agenten-Architektur verstehen

7. Multi-Agent-System ausführen und testen

Anwendung starten

Abfragen und erwartetes Verhalten testen

Einfache Anfragen (einzelner Kundenservicemitarbeiter)

Zwischenabfragen (mehrere Schritte in einem Agent)

Erweiterte Anfragen (Koordination mehrerer Agents)

Kontextbezogene Folgeanfragen

Agenteninteraktionen in der Debugging-Ansicht

Häufige Beobachtungen und Statistiken

Tipps für effektive Tests

8. Bereinigen

9. Glückwunsch

Wie geht es weiter?

Referenzdokumente