Stell dir vor, du verwaltest Kundendaten, Kontobewegungen und Transaktionshistorien in einem Cloud Data Warehouse wie Snowflake oder BigQuery. Du willst Zusammenhänge verstehen: Welche Konten gehören zu derselben Person? Welche Transaktionen laufen über mehrere Schritte? Dafür wäre ein Knowledge Graph nützlich. Das Verschieben der Daten in eine separate Graphdatenbank wäre aufwendig, teuer und würde bestehende Governance-Regeln aufweichen. Bisher gab es ein Dilemma: entweder auf die Analyse von Beziehungen verzichten oder in komplexe ETL-Pipelines und eine zweite Datenhaltung investieren. Neo4j hat mit Virtual Graph eine Lösung vorgestellt, die diesen Konflikt auflöst – jetzt für alle Aura-Kunden in der öffentlichen Vorschau verfügbar.
Eine Bibliothek ohne Bücher umzustellen
Denk an eine riesige Bibliothek. Die Bücher stehen in den Regalen eines Data Warehouse. Du möchtest ein vernetztes Verzeichnis: welche Bücher thematisch verwandt sind, welche Autoren korrespondieren, welche Leser ähnliche Interessen haben. Normalerweise müsstest du alle Bücher umräumen. Virtual Graph funktioniert anders: Du erstellst ein Karteikartensystem – das Graphmodell –, das auf die vorhandenen Bücher verweist, ohne sie umzustellen. Bei einer Abfrage sucht das System im Karteikasten und holt die Informationen direkt aus den Regalen. Das ist die Idee der Zero-Copy-Architektur: Daten bleiben, wo sie sind, und du befragst sie als Graph.
Wie Virtual Graph funktioniert
Der Prozess beginnt mit der Verbindung zu einer Datenquelle. Virtual Graph unterstützt derzeit Snowflake, Databricks und Google BigQuery. Nach der Authentifizierung schlägt eine KI-gestützte Funktion ein Graphmodell vor: Sie analysiert Tabellen, erkennt, welche Spalten als Knoten (Entitäten) und welche als Beziehungen (Fremdschlüssel) infrage kommen, und weist Eigenschaften zu. Du prüfst und passt den Vorschlag an – die Kontrolle bleibt bei dir. Dann erstellst du den virtuellen Graphen. Von da an formulierst du Abfragen in Cypher. Im Hintergrund übersetzt eine deterministische Engine das Cypher in optimiertes SQL und führt es auf der Quelldatenbank aus. Die Übersetzung ist nicht KI-gesteuert, sondern regelbasiert. Dieselbe Abfrage liefert immer dasselbe SQL mit vorhersagbarer Leistung und Kosten. Die Ergebnisse kommen als Graph strukturiert über das Bolt-Protokoll zurück. Das System verhält sich wie eine normale Neo4j-Datenbank, sodass bestehende Tools und Clients direkt darauf zugreifen können.
Drei Komponenten, die zusammenwirken
Hinter Virtual Graph stecken drei Komponenten. Erstens das Graphdatenmodell, das du selbst definierst und bei Bedarf von der KI generieren lässt. Es gehört dir, du kannst es jederzeit bearbeiten. Zweitens die Cypher-to-SQL-Übersetzungsschicht, die die Abfragen auf die Quelle überträgt. Drittens eine Graph-Compute-Schicht, die Muster, Traversale und Pfade behandelt, die sich allein mit SQL nicht effizient abbilden lassen. Diese Schicht läuft auf Neo4j-Seite und ergänzt die Pushdown-Logik. Das Zusammenspiel erlaubt komplexe Graphabfragen wie mehrstufige Verkettungen („Welche Konten teilen sich einen wirtschaftlichen Eigentümer?“) korrekt zu beantworten, obwohl die Rohdaten in einem tabellarischen Warehouse liegen.
Wofür du Virtual Graph einsetzen solltest
Virtual Graph ist nicht für jeden Workload gedacht. Neo4j unterscheidet klar zwischen Workloads, die Sekunden tolerieren, und solchen, die Millisekunden brauchen. Virtual Graph eignet sich für GraphRAG (Retrieval-Augmented Generation), bei dem KI-Agenten Kontext aus einem Knowledge Graph abrufen. Antwortzeiten im Sekundenbereich sind akzeptabel. Auch für Batch-Analysen, explorative Datenanalysen durch Data Scientists oder das Anreichern von Referenzdaten ist Virtual Graph ideal. Du nutzt die Rechenleistung deiner bestehenden Warehouse-Infrastruktur und bleibst innerhalb der Governance-Grenzen. Keine zusätzlichen Kosten für Datenbewegung, kein Aufbau einer zweiten Datenhaltung.
Wann du besser zum nativen Neo4j greifst
Für Workloads, die Millisekunden erfordern – wie Echtzeit-Betrugserkennung, Online-Identitätsauflösung oder kontinuierlich aktualisierte Graphen mit ACID-Transaktionen – bleibt das native Neo4j (AuraDB oder selbstverwaltet) die richtige Wahl. Virtual Graph ersetzt es nicht, sondern ergänzt es. Faustregel: Wenn dein KI-Agent in Sekunden denkt, reicht Virtual Graph. Wenn er in Millisekunden handeln muss, brauchst du einen nativen Graphen. Wenn ein Teil deiner Daten beide Anforderungen stellt, kannst du Teilmengen aus dem virtuellen Graphen in einen nativen materialisieren, ohne das Modell neu zu erstellen.
Was noch kommt: Roadmap und Preisgestaltung
Die öffentliche Vorschau ist erst der Anfang. Neo4j hat weitere Funktionen angekündigt: virtuelle Graphen in native Neo4j-Datenbanken materialisieren, föderierte Abfragen über mehrere Quellen hinweg in einer Cypher-Abfrage, Graph-Algorithmen auf virtuellen Graphen, Integration weiterer Datenquellen (operative Datenbanken, selbstverwaltete Neo4j-Installationen). Die öffentliche Vorschau ist kostenlos. Ab dem 1. September plant Neo4j die Abrechnung zu Preisen, die denen von AuraDB Pro entsprechen. Die allgemeine Verfügbarkeit soll kurz danach folgen. Du kannst Virtual Graph jetzt im Aura Console einrichten: Verbinde deine Snowflake-, Databricks- oder BigQuery-Zugangsdaten, lass dir ein Graphmodell generieren, passe es an, erstelle den Graphen und führe deine erste Cypher-Abfrage aus – alles in wenigen Minuten.
Einordnung: Pragmatischer Schritt für die Graph-Welt
Mit Virtual Graph bewegt sich Neo4j weg vom Dogma, dass alle Daten in die Graphdatenbank migriert werden müssen. Stattdessen wird die Graph-Abstraktion dorthin gebracht, wo die Daten bereits liegen. Das senkt die Einstiegshürde für Unternehmen, die in große Data Warehouses investiert haben. Die Architektur bleibt transparent und deterministisch – kein Blackbox-Verhalten. Für Entwickler und Architekten, die GraphRAG oder wissensbasierte KI-Systeme aufbauen, bietet Virtual Graph einen praktischen Weg, ohne die Dateninfrastruktur zu revolutionieren. Es füllt die Lücke zwischen starren Tabellen und flexiblem Graphen.
Quelle: neo4j.com
