Graphiti：为AI智能体打造的实时动态知识图谱框架

一、Graphiti是什么

Graphiti是由Zep团队开发的开源知识图谱框架（Apache-2.0协议），专为动态环境下的AI智能体设计。与传统的检索增强生成（RAG）技术不同，Graphiti通过双时态数据模型和混合检索架构，实现了对动态数据的实时整合与历史追溯，成为AI智能体记忆管理的核心技术。其GitHub仓库已获得8.6k星标，被广泛应用于企业级AI代理系统。

核心定位是解决传统RAG的三大痛点：

1. 静态数据处理：传统方法依赖批量更新，而Graphiti支持增量实时更新

2. 时间维度缺失：通过显式跟踪事件发生时间（event time）和录入时间（ingestion time），支持精确历史查询

3. 检索效率低下：结合语义嵌入、关键词搜索和图遍历，实现亚秒级延迟查询

二、功能特色

1. 动态知识整合

• 支持文本、JSON等结构化/非结构化数据实时注入

• 自动提取实体关系形成"三元组"（如"Kendra→喜欢→Adidas鞋"）

• 典型案例：客户服务场景中，自动记录用户偏好变化历史

2. 双时态建模

• 唯一支持事件时间+录入时间双重追踪的框架

• 可查询任意时间点的知识状态（如"2025-01-01的客户关系图谱"）

3. 混合检索引擎

• 语义搜索（基于LLM嵌入）

• 关键词搜索（BM25算法）

• 图遍历搜索（基于Neo4j关系网络）

• 三合一搜索模式：

• 查询延迟控制在亚秒级，比GraphRAG快10倍

4. 企业级扩展能力

• 通过并行处理支持亿级节点管理

• 兼容OpenAI/Gemini/Anthropic等主流LLM

• 提供Docker化MCP服务器，支持Claude等AI助手接入

三、技术细节

1. 架构设计

• 事件子图（原始数据）

• 语义实体子图（提取的实体）

• 社区子图（强连接聚类）

• 三层图谱结构：

• 基于Neo4j 5.26+构建，支持ACID事务

2. 核心算法

• 时间解析器：处理绝对时间（"2025-01-01"）和相对时间（"两周前"）

• 矛盾处理机制：新关系不会覆盖旧关系，而是标记时间边界

• 向量化引擎：实体名称嵌入到1024维空间，支持余弦相似度搜索

3. 开发接口

# 典型使用示例
from graphiti_core import Graphiti
graphiti = Graphiti("neo4j://localhost:7687", "neo4j", "password")
await graphiti.add_episode(
    name="销售记录",
    episode_body="客户A于2025-05-20购买产品B",
    source="text"
)[5](@ref)

1. 性能优化

• 支持USE_PARALLEL_RUNTIME环境变量启用Neo4j并行查询

• 通过ProxyV技术降低高分辨率数据处理负载

四、应用场景

1. AI智能体记忆

• 作为Zep记忆层核心，支持智能体长期记忆（如记住用户3个月前提出的需求）

• 在Deep Memory Retrieval基准测试中超越MemCPT 30%

2. 实时决策系统

• 金融风控：动态更新企业关联图谱，识别异常交易

• 医疗诊断：追踪患者病史变化，辅助诊断决策

3. 企业知识管理

• 自动构建产品-客户-投诉关联网络

• 支持时间滑动窗口查询（如"近半年客户投诉热点"）

4. 智能客服升级

• 将客服对话实时转化为知识图谱

• 投诉处理效率提升65%

• 某电商平台案例：

五、相关链接

• GitHub仓库：https://github.com/getzep/graphiti/

• 论文地址：https://arxiv.org/abs/2501.13956

六、项目总结

Graphiti通过三大创新重新定义了知识图谱技术：

1. 时序智能：双时间模型解决了动态数据的历史追溯难题

2. 架构弹性：从单机部署到分布式集群均可灵活扩展

3. 生态兼容：与主流LLM和图数据库无缝集成

相比微软GraphRAG，Graphiti在动态场景下展现出显著优势：

• 查询延迟从秒级降至亚秒级

• 数据更新效率提升40倍

• 支持自定义实体类型（如金融领域的"风险事件"实体）

作为AI智能体时代的核心基础设施，Graphiti正在推动从"静态知识库"到"动态认知系统"的范式转变。其开源策略加速了技术民主化进程，使企业能以更低成本构建具备真正记忆能力的AI系统。