Graphiti : Un Framework de Graphe de Connaissances Temporel pour les Agents IA

Aperçu du Projet

Graphiti est un framework innovant open source développé par l'équipe Zep, spécialement conçu pour construire et interroger des graphes de connaissances sensibles au temps, et optimisé pour les agents IA fonctionnant dans des environnements dynamiques. Ce projet résout les limitations des méthodes traditionnelles de génération augmentée par la récupération (RAG) lors du traitement de données dynamiques, offrant ainsi aux applications d'IA une puissante capacité de mémoire à long terme.

Caractéristiques Principales

1. Sensibilité Temporelle

Graphiti suit l'évolution des faits et des relations au fil du temps, permettant des requêtes à des moments précis. Les arêtes du graphe contiennent des métadonnées temporelles pour enregistrer les changements de relations, ce qui permet au système de comprendre l'évolution historique de l'information.

2. Mise à Jour Dynamique en Temps Réel

Graphiti traite de manière incrémentale les données entrantes via un moteur de graphe de connaissances en temps réel et sensible au temps, mettant à jour instantanément les entités, les relations et les communautés, sans nécessiter de recalculs par lots.

3. Capacité de Recherche Hybride

Offre une recherche sémantique, BM25 et une recherche basée sur le graphe, avec une capacité de fusion des résultats, garantissant l'exactitude et la pertinence des résultats de recherche.

4. Intégration de Données Multimodales

Graphiti intègre en continu les interactions des utilisateurs, les données structurées et non structurées, construisant ainsi une représentation complète des connaissances.

Architecture Technique

Moteur de Graphe de Connaissances

Graphiti est construit sur la base de la base de données de graphes Neo4j, exploitant les capacités des LLM (grands modèles de langage) pour extraire automatiquement les entités, les relations et les informations temporelles. Le système est capable de :

• Extraire les entités et les relations à partir de textes non structurés
• Identifier automatiquement les informations temporelles et établir des relations temporelles
• Maintenir les versions historiques et les journaux de modifications
• Supporter des requêtes et des inférences complexes sur le graphe

Mécanisme de Traitement Temporel

Une caractéristique de différenciation clé de Graphiti est sa capacité à gérer les mises à jour d'informations dynamiques grâce à l'extraction temporelle et au processus d'invalidation des arêtes. Le système va :

• Extraire les informations de contexte temporel des faits
• Gérer les dates de début et de fin de validité des relations
• Maintenir un historique complet
• Supporter les requêtes et les inférences basées sur le temps

Scénarios d'Application

1. Assistants Personnels et Agents Intelligents

Prise en charge des assistants qui apprennent des interactions avec les utilisateurs, intégrant les connaissances personnelles et les données dynamiques provenant de systèmes d'entreprise tels que les CRM et les plateformes de facturation.

2. Applications d'Entreprise

Convient à de nombreux domaines tels que les ventes, le service client, la santé, la finance, fournissant aux assistants et aux agents intelligents une mémoire à long terme et une capacité de raisonnement basée sur l'état.

3. Exécution de Tâches Complexes

Prise en charge des agents intelligents qui exécutent de manière autonome des tâches complexes, capables de raisonner sur la base des changements d'état provenant de plusieurs sources dynamiques.

Avantages Techniques

Améliorations par rapport au RAG Traditionnel

• Traitement des Données Dynamiques : Surmonte les limitations du RAG statique lors des mises à jour fréquentes des données
• Continuité du Contexte : Maintient le contexte complet des dialogues et des interactions historiques
• Raisonnement Relationnel : Effectue un raisonnement relationnel complexe basé sur la structure du graphe
• Compréhension Temporelle : Comprend la dimension temporelle et l'évolution de l'information

Performances

Zep a surpassé MemGPT, le système le plus avancé actuellement, dans le benchmark Deep Memory Retrieval (DMR), démontrant ainsi ses performances supérieures en matière de gestion de la mémoire.

Écosystème Open Source

Prise en Charge du Serveur MCP

Le projet fournit un nouveau serveur MCP, offrant aux clients Claude, Cursor et autres clients MCP une puissante capacité de mémoire basée sur le graphe de connaissances.

Développement Communautaire

Bien que Graphiti ait été initialement développé pour Zep Memory, l'équipe a réalisé que son potentiel dépassait de loin les applications de mémoire et a donc décidé de l'ouvrir en source, espérant que la communauté explorerait davantage de possibilités.

Pile Technologique

• Langage de Programmation : Python
• Base de Données de Graphes : Neo4j
• Modèles d'IA : Prise en charge de l'intégration de plusieurs LLM
• Techniques de Recherche : Recherche sémantique, BM25, recherche de graphes
• Modèle d'Architecture : Microservices, piloté par API

Conclusion

Graphiti représente une avancée significative dans le domaine de la gestion de la mémoire de l'IA. Il résout non seulement les limitations des méthodes traditionnelles, mais fournit également une base technique pour la construction de systèmes d'IA véritablement intelligents et dotés d'une capacité de mémoire à long terme. En capturant les changements temporels et en prenant en charge les techniques de recherche avancées, il résout les défis auxquels sont confrontés les systèmes existants, permettant aux applications d'IA de maintenir un état d'information dynamique et précis.