Home
Login

Marco para la construcción de grafos de conocimiento temporales en tiempo real para agentes de IA

Apache-2.0Python 11.4kgetzep Last Updated: 2025-06-18

Graphiti: Marco de Grafos de Conocimiento Temporales para Agentes de IA Inteligentes

Resumen del Proyecto

Graphiti es un marco innovador de código abierto del equipo de Zep, diseñado específicamente para construir y consultar grafos de conocimiento con conciencia temporal, optimizado especialmente para agentes de IA que operan en entornos dinámicos. Este proyecto aborda las limitaciones de los métodos tradicionales de Generación Aumentada por Recuperación (RAG) al procesar datos dinámicos, proporcionando a las aplicaciones de IA una poderosa capacidad de memoria a largo plazo.

Características Principales

1. Conciencia Temporal

Graphiti rastrea los cambios en hechos y relaciones a lo largo del tiempo, admitiendo consultas puntuales en el tiempo. Los bordes del grafo contienen metadatos de tiempo para registrar los cambios en las relaciones, lo que permite al sistema comprender la evolución histórica de la información.

2. Actualizaciones Dinámicas en Tiempo Real

Graphiti procesa incrementalmente los datos entrantes a través de un motor de grafos de conocimiento en tiempo real y con conciencia temporal, actualizando instantáneamente entidades, relaciones y comunidades, sin necesidad de recalcular por lotes.

3. Capacidades de Búsqueda Híbrida

Ofrece búsqueda semántica, BM25 y búsqueda basada en grafos, con capacidad de fusión de resultados, lo que garantiza la precisión y relevancia de los resultados de la recuperación.

4. Integración de Datos Multimodal

Graphiti integra continuamente interacciones de usuarios, datos estructurados y no estructurados, construyendo una representación integral del conocimiento.

Arquitectura Técnica

Motor de Grafos de Conocimiento

Graphiti se basa en la base de datos de grafos Neo4j, utilizando las capacidades de LLM (Modelos de Lenguaje Grandes) para extraer automáticamente entidades, relaciones e información temporal. El sistema es capaz de:

  • Extraer entidades y relaciones de texto no estructurado
  • Identificar automáticamente información temporal y establecer relaciones temporales
  • Mantener versiones históricas y registros de cambios
  • Admitir consultas e inferencias complejas de grafos

Mecanismo de Procesamiento Temporal

Una característica diferenciadora clave de Graphiti es su capacidad para gestionar actualizaciones de información dinámica a través de la extracción temporal y el proceso de invalidación de bordes. El sistema:

  • Extrae información del contexto temporal de los hechos
  • Gestiona los tiempos de inicio y finalización de las relaciones
  • Mantiene un seguimiento histórico completo
  • Admite consultas e inferencias basadas en el tiempo

Casos de Uso

1. Asistentes Personales y Agentes Inteligentes

Admite asistentes que aprenden de las interacciones del usuario, fusionando el conocimiento personal con datos dinámicos de sistemas empresariales como CRM y plataformas de facturación.

2. Aplicaciones Empresariales

Adecuado para ventas, servicio al cliente, salud, finanzas y muchos otros campos, proporcionando a los asistentes y agentes inteligentes memoria a largo plazo y capacidades de inferencia basadas en el estado.

3. Ejecución de Tareas Complejas

Admite agentes inteligentes que ejecutan tareas complejas de forma autónoma, capaces de razonar basándose en cambios de estado de múltiples fuentes dinámicas.

Ventajas Técnicas

Mejoras en comparación con RAG tradicional

  • Procesamiento de Datos Dinámicos: Supera las limitaciones de RAG estático en actualizaciones frecuentes de datos
  • Continuidad del Contexto: Mantiene el contexto completo de diálogos e interacciones históricas
  • Razonamiento Relacional: Realiza razonamiento relacional complejo basado en la estructura del grafo
  • Comprensión Temporal: Comprende la dimensión temporal y la evolución de la información

Rendimiento

Zep superó a MemGPT, el sistema más avanzado actualmente, en el benchmark de Recuperación de Memoria Profunda (DMR), demostrando su rendimiento superior en la gestión de la memoria.

Ecosistema de Código Abierto

Soporte del Servidor MCP

El proyecto proporciona un nuevo servidor MCP, que ofrece potentes capacidades de memoria basadas en grafos de conocimiento para Claude, Cursor y otros clientes MCP.

Desarrollo Comunitario

Aunque Graphiti se desarrolló inicialmente para Zep Memory, el equipo se dio cuenta de que su potencial iba mucho más allá de las aplicaciones de memoria, por lo que decidió abrirlo al código abierto, con la esperanza de que la comunidad pueda explorar más posibilidades.

Pila Tecnológica

  • Lenguaje de Programación: Python
  • Base de Datos de Grafos: Neo4j
  • Modelos de IA: Soporta la integración de múltiples LLM
  • Tecnologías de Búsqueda: Búsqueda semántica, BM25, Búsqueda de grafos
  • Patrones de Arquitectura: Microservicios, Impulsado por API

Resumen

Graphiti representa un avance importante en el campo de la gestión de la memoria de la IA, no solo aborda las limitaciones de los métodos tradicionales, sino que también proporciona una base técnica para la construcción de sistemas de IA verdaderamente inteligentes con capacidades de memoria a largo plazo. Al capturar cambios temporales y admitir tecnologías de búsqueda avanzadas, resuelve los desafíos que enfrentan los sistemas existentes, lo que permite a las aplicaciones de IA mantener un estado de información dinámico y preciso.