Graphiti：面向 AI 智能體的時序知識圖譜框架

項目概述

Graphiti 是由 Zep 團隊開源的一個創新性框架，專門為構建和查詢時序感知的知識圖譜而設計，特別針對在動態環境中運行的 AI 智能體進行了優化。該項目解決了傳統檢索增強生成（RAG）方法在處理動態數據時的局限性，為 AI 應用提供了強大的長期記憶能力。

核心特性

1. 時序感知能力

Graphiti 追蹤事實和關係隨時間的變化，支持時間點查詢。圖邊包含時間元數據來記錄關係變化，這使得系統能夠理解信息的歷史演進過程。

2. 實時動態更新

Graphiti 通過實時、時序感知的知識圖譜引擎，增量處理傳入數據，即時更新實體、關係和社區，無需批量重新計算。

3. 混合搜索能力

提供語義搜索、BM25 和基於圖的搜索，並具有結果融合能力，確保檢索結果的準確性和相關性。

4. 多模態數據整合

Graphiti 持續整合用戶交互、結構化和非結構化數據，構建全面的知識表示。

技術架構

知識圖譜引擎

Graphiti 基於 Neo4j 圖數據庫構建，利用 LLM（大語言模型）的能力來自動提取實體、關係和時序信息。系統能夠：

• 從非結構化文本中提取實體和關係
• 自動識別時間信息並建立時序關係
• 維護歷史版本和變更記錄
• 支持複雜的圖查詢和推理

時序處理機制

Graphiti 的一個關鍵差異化特性是通過時序提取和邊失效過程管理動態信息更新的能力。系統會：

• 提取事實的時間上下文信息
• 管理關係的生效和失效時間
• 維護完整的歷史軌跡
• 支持基於時間的查詢和推理

應用場景

1. 個人助理和智能體

支持從用戶交互中學習的助理，融合個人知識與來自 CRM 和計費平台等業務系統的動態數據。

2. 企業級應用

適用於銷售、客戶服務、健康、金融等多個領域，為助理和智能體提供長期回憶和基於狀態的推理能力。

3. 複雜任務執行

支持自主執行複雜任務的智能體，能夠基於來自多個動態源的狀態變化進行推理。

技術優勢

相比傳統 RAG 的改進

• 動態數據處理：克服靜態 RAG 在頻繁數據更新時的局限性
• 上下文連續性：維護歷史對話和交互的完整上下文
• 關係推理：基於圖結構進行複雜的關係推理
• 時序理解：理解信息的時間維度和演進過程

性能表現

Zep 在深度記憶檢索（DMR）基準測試中超越了當前最先進的系統 MemGPT，展現了其在記憶管理方面的優越性能。

開源生態

MCP 伺服器支持

項目提供了新的 MCP 伺服器，為 Claude、Cursor 和其他 MCP 客戶端提供基於知識圖譜的強大記憶能力。

社區發展

雖然 Graphiti 最初是為 Zep Memory 開發的，但團隊意識到其潛力遠超記憶應用，因此決定開源，希望社區能夠探索更多可能性。

技術棧

• 編程語言：Python
• 圖數據庫：Neo4j
• AI 模型：支持多種 LLM 集成
• 搜索技術：語義搜索、BM25、圖搜索
• 架構模式：微服務、API 驅動

總結

Graphiti 代表了 AI 記憶管理領域的重要突破，它不僅解決了傳統方法的局限性，還為構建真正智能的、具有長期記憶能力的 AI 系統提供了技術基礎。通過捕獲時序變化和支持高級搜索技術，它解決了現有系統面臨的挑戰，使 AI 應用能夠維護動態和準確的信息狀態。