什么是 Graphiti？

Graphiti 是一个框架，用于构建和查询具有时间感知的知识图谱，特别适用于在动态环境中操作的 AI 智能体。与传统的检索增强生成（RAG）方法不同，Graphiti 能够持续地将用户互动、结构化与非结构化的企业数据以及外部信息集成到一个连贯的、可查询的图谱中。该框架支持增量数据更新、高效检索，并且可以精确地进行历史查询，而无需重新计算整个图谱，因此非常适合开发交互式、具有上下文感知的 AI 应用程序。

使用 Graphiti 可以：

•集成并维护动态的用户互动和业务数据。•促进基于状态的推理和任务自动化。•使用语义、关键词和基于图谱的搜索方法查询复杂的、不断发展的数据。

知识图谱是由一系列相互连接的事实组成的网络，例如 “Kendra 喜欢 Adidas 鞋子”。每个事实是一个由两个实体（或节点）和它们之间的关系（或边）组成的“三元组”（例如，“Kendra”，“Adidas 鞋子”和“喜欢”）。知识图谱在信息检索中被广泛应用。Graphiti 的独特之处在于，它能够自主构建知识图谱，同时处理关系的变化并维护历史上下文。

Graphiti 与 Zep 的上下文工程平台

Graphiti 为 Zep 的核心提供支持，Zep 是一个为 AI 智能体提供开箱即用的上下文工程平台。Zep 提供智能体记忆、图谱 RAG（用于动态数据）以及上下文检索和组装功能。

我们很高兴开源 Graphiti，认为它的潜力远远超出了 AI 记忆应用的范畴。

Zep vs Graphiti

方面	Zep	Graphiti
它们是什么	完全托管的平台，用于上下文工程和 AI 记忆	开源图谱框架
用户与会话管理	内置用户、线程和消息存储	自定义实现
检索与性能	预配置的、生产就绪的检索，性能可达到200ms以下，适合大规模使用	需要自定义实现；性能取决于您的设置
开发者工具	提供图谱可视化的仪表盘、调试日志、API日志；提供 Python、TypeScript 和 Go 的 SDK	需要自定义工具
企业功能	服务级别协议（SLA）、支持、安全保障	自行管理
部署方式	完全托管或在您的云中部署	仅支持自托管

选择哪个？

•选择 Zep：如果您需要一个开箱即用的企业级平台，具备安全性、性能和支持。•选择 Graphiti：如果您需要一个灵活的开源核心，并且愿意构建/运营周围的系统。

---

为什么选择 Graphiti？

传统的 RAG 方法通常依赖于批量处理和静态数据汇总，这使得它们在处理频繁变化的数据时效率较低。Graphiti 通过以下方式解决了这些问题：

•实时增量更新：即时集成新的数据事件，而无需批量重新计算。•双时间数据模型：明确跟踪事件发生和数据摄取的时间，允许精确的时间点查询。•高效的混合检索：结合语义嵌入、关键词（BM25）和图遍历，实现低延迟查询，无需依赖大语言模型（LLM）摘要。•自定义实体定义：通过简单的 Pydantic 模型，支持灵活的本体创建和开发者定义实体。•可扩展性：高效地管理大型数据集，支持并行处理，适合企业级环境。

Graphiti vs. GraphRAG

方面	GraphRAG	Graphiti
主要用途	静态文档总结	动态数据管理
数据处理	批量处理	持续增量更新
知识结构	实体簇和社区总结	事件数据、语义实体、社区
检索方法	顺序的大语言模型（LLM）摘要	混合语义、关键词和基于图谱的搜索方法
适应性	低	高
时间处理	基本的时间戳追踪	明确的双时间追踪
矛盾处理	基于 LLM 的摘要判断	时间边缘失效
查询延迟	几秒到几十秒	通常为亚秒级延迟
自定义实体类型	否	是，可自定义
可扩展性	中等	高，针对大数据集进行了优化

Graphiti 与 GraphRAG 的区别

Graphiti 专门设计用来解决动态和频繁更新的数据集问题，特别适用于需要实时交互和精确历史查询的应用。

---

安装

要求：

•Python 3.10 或更高版本•Neo4j 5.26 / FalkorDB 1.1.2 / Kuzu 0.11.2 / Amazon Neptune 数据库集群或 Neptune Analytics 图 + Amazon OpenSearch Serverless 集合（作为全文搜索后台）•OpenAI API 密钥（Graphiti 默认使用 OpenAI 进行 LLM 推理和嵌入）

重要说明：

Graphiti 最适合与支持结构化输出的 LLM 服务一起使用（例如 OpenAI 和 Gemini）。如果使用其他服务，可能会导致输出模式不正确或数据摄取失败。尤其是在使用较小的模型时，这个问题会更明显。

可选项：

•Google Gemini、Anthropic 或 Groq API 密钥（用于替代的 LLM 提供商）

提示：

安装 Neo4j 最简单的方式是通过 Neo4j Desktop。它提供了一个用户友好的界面来管理 Neo4j 实例和数据库。或者，您可以通过 Docker 本地使用 FalkorDB，并使用快速入门示例进行快速启动：

docker run -p 6379:6379-p 3000:3000-it --rm falkordb/falkordb:latestpip install graphiti-core

或使用以下命令：

uv add graphiti-core

安装 FalkorDB 支持

如果您计划使用 FalkorDB 作为图谱数据库后台，请使用 FalkorDB 扩展进行安装：

pip install graphiti-core[falkordb]或使用 uv 安装：
uv add graphiti-core[falkordb]

安装 Kuzu 支持

如果您计划使用 Kuzu 作为图谱数据库后台，请使用 Kuzu 扩展进行安装：​​​​​​​

pip install graphiti-core[kuzu]或使用 uv 安装：
uv add graphiti-core[kuzu]

安装 Amazon Neptune 支持

如果您计划使用 Amazon Neptune 作为图谱数据库后台，请使用 Amazon Neptune 扩展进行安装：​​​​​​​

pip install graphiti-core[neptune]或使用 uv 安装：
uv add graphiti-core[neptune]

安装可选的 LLM 提供商

您还可以选择安装可选的 LLM 提供商作为扩展：​​​​​​​

安装Anthropic支持：pip install graphiti-core[anthropic]
安装Groq支持：pip install graphiti-core[groq]
安装GoogleGemini支持：pip install graphiti-core[google-genai]
安装多个 LLM 提供商：pip install graphiti-core[anthropic,groq,google-genai]
安装FalkorDB和 LLM 提供商：pip install graphiti-core[falkordb,anthropic,google-genai]
安装AmazonNeptune支持：pip install graphiti-core[neptune]

默认低并发设置；LLM 提供商 429 限速错误

Graphiti 的数据摄取管道是为高并发设计的。默认情况下，并发量设置为较低，以避免 LLM 提供商出现 429 限速错误。如果您发现 Graphiti 性能较慢，可以按照下面的说明增加并发量。

并发量由 SEMAPHORE_LIMIT 环境变量控制。默认情况下，SEMAPHORE_LIMIT 设置为 10 并发操作，以帮助防止 LLM 提供商返回 429 限速错误。如果您遇到此类错误，可以尝试降低该值。

如果您的 LLM 提供商允许更高的吞吐量，您可以增加 SEMAPHORE_LIMIT 来提升数据摄取性能。

---

快速开始

重要说明

Graphiti 默认使用 OpenAI 进行 LLM 推理和嵌入。确保在您的环境中设置了 OPENAI_API_KEY。也可以支持 Anthropic 和 Groq 的 LLM 推理。其他 LLM 提供商可能通过 OpenAI 兼容的 API 进行支持。

完整工作示例

有关完整的工作示例，请参阅 examples 目录中的快速入门示例。该示例演示了以下内容：

•连接到 Neo4j、Amazon Neptune、FalkorDB 或 Kuzu 数据库•初始化 Graphiti 索引和约束•向图谱中添加数据事件（包括文本和结构化 JSON）•使用混合搜索方法搜索关系（边）•使用图距离对搜索结果进行重新排序•使用预定义的搜索配方搜索节点

该示例有完整的文档，清晰地解释了每个功能，并包含了详细的 README 文件，提供了设置说明和后续步骤。

---

使用 Docker Compose 运行

您可以使用 Docker Compose 快速启动所需的服务：

•Neo4j Docker：

docker compose up

此命令将启动 Neo4j Docker 服务及相关组件。

•FalkorDB Docker：

docker compose --profile falkordb up

此命令将启动 FalkorDB Docker 服务及相关组件。

MCP 服务器

mcp_server 目录包含了 Graphiti 的 模型上下文协议（MCP）服务器实现。该服务器允许 AI 助手通过 MCP 协议与 Graphiti 的知识图谱功能进行交互。

MCP 服务器的主要功能：

•数据事件管理（添加、检索、删除）•实体管理和关系处理•语义和混合搜索功能•数据分组管理，用于组织相关数据•图谱维护操作

MCP 服务器可以使用 Docker 部署并与 Neo4j 集成，使 Graphiti 容易集成到您的 AI 助手工作流中。

有关详细的设置说明和使用示例，请参阅MCP 服务器的 README 文件[2]

REST 服务

server 目录包含了与 Graphiti API 交互的 API 服务，使用 FastAPI 构建。

更多信息请参考server[3]中的 README 文件。

---

可选环境变量

除了 Neo4j 和 OpenAi 兼容的凭证外，Graphiti 还提供了几个可选的环境变量。如果您使用的是我们的支持模型之一（例如 Anthropic 或 Voyage 模型），则必须设置相关的环境变量。

数据库配置

数据库名称在驱动程序构造器中直接配置：

•Neo4j：数据库名称默认为 neo4j（在 Neo4jDriver 中硬编码）•FalkorDB：数据库名称默认为 default_db（在 FalkorDriver 中硬编码）

从 v0.17.0 版本开始，如果您需要自定义数据库配置，可以实例化一个数据库驱动程序，并通过 graph_driver 参数将其传递给 Graphiti 构造函数。

Neo4j 自定义数据库名称​​​​​​​

from graphiti_core importGraphitifrom graphiti_core.driver.neo4j_driver importNeo4jDriver
# 创建一个带有自定义数据库名称的 Neo4j 驱动driver =Neo4jDriver(    uri="bolt://localhost:7687",    user="neo4j",    password="password",    database="my_custom_database"# 自定义数据库名称)
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)

FalkorDB 自定义数据库名称​​​​​​​

from graphiti_core importGraphitifrom graphiti_core.driver.falkordb_driver importFalkorDriver
# 创建一个带有自定义数据库名称的 FalkorDB 驱动driver =FalkorDriver(    host="localhost",    port=6379,    username="falkor_user",# 可选    password="falkor_password",# 可选    database="my_custom_graph"# 自定义数据库名称)
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)

Kuzu 驱动​​​​​​​

from graphiti_core importGraphitifrom graphiti_core.driver.kuzu_driver importKuzuDriver
# 创建一个 Kuzu 驱动driver =KuzuDriver(db="/tmp/graphiti.kuzu")
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)

Amazon Neptune 驱动​​​​​​​

from graphiti_core importGraphitifrom graphiti_core.driver.neptune_driver importNeptuneDriver
# 创建一个 Amazon Neptune 驱动driver =NeptuneDriver(    host="<NEPTUNE_ENDPOINT>",    aoss_host="<Amazon_OpenSearch_Serverless_Host>",    port="<PORT>",# 可选，默认为 8182    aoss_port="<PORT>"# 可选，默认为 443)
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)

使用 Graphiti 与 Azure OpenAI

Graphiti 支持 Azure OpenAI，用于 LLM 推理和嵌入，兼容 Azure 的 OpenAI v1 API。

快速开始​​​​​​​

from openai importAsyncOpenAIfrom graphiti_core importGraphitifrom graphiti_core.llm_client.azure_openai_client importAzureOpenAILLMClientfrom graphiti_core.llm_client.config importLLMConfigfrom graphiti_core.embedder.azure_openai importAzureOpenAIEmbedderClient
# 使用标准的 OpenAI 客户端初始化 Azure OpenAI 客户端# 并使用 Azure 的 v1 API 端点azure_client =AsyncOpenAI(    base_url="https://your-resource-name.openai.azure.com/openai/v1/",    api_key="your-api-key",)
# 创建 LLM 和 Embedder 客户端llm_client =AzureOpenAILLMClient(    azure_client=azure_client,    config=LLMConfig(model="gpt-5-mini", small_model="gpt-5-mini")# 你的 Azure 部署名称)embedder_client =AzureOpenAIEmbedderClient(    azure_client=azure_client,    model="text-embedding-3-small"# 你的 Azure 嵌入部署名称)
# 使用 Azure OpenAI 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687","neo4j","password",    llm_client=llm_client,    embedder=embedder_client,)
# 现在您可以使用 Graphiti 与 Azure OpenAI 进行交互

重点说明：

•用标准的 AsyncOpenAI 客户端，并使用 Azure 的 v1 API 端点格式：https://your-resource-name.openai.azure.com/openai/v1/•部署名称（例如：gpt-5-mini，text-embedding-3-small）应与您的 Azure OpenAI 部署名称一致。•请参阅 examples/azure-openai/ 获取完整的工作示例。•将占位符值替换为实际的 Azure OpenAI 凭证和部署名称。

---

使用 Graphiti 与 Google Gemini

Graphiti 支持 Google 的 Gemini 模型进行 LLM 推理、嵌入和跨编码/重新排序。要使用 Gemini，您需要配置 LLM 客户端、嵌入器和跨编码器，并提供您的 Google API 密钥。

安装 Graphiti：​​​​​​​

uv add "graphiti-core[google-genai]"或
pip install "graphiti-core[google-genai]"​​​​

from graphiti_core importGraphitifrom graphiti_core.llm_client.gemini_client importGeminiClient,LLMConfigfrom graphiti_core.embedder.gemini importGeminiEmbedder,GeminiEmbedderConfigfrom graphiti_core.cross_encoder.gemini_reranker_client importGeminiRerankerClient
# Google API 密钥配置api_key ="<your-google-api-key>"
# 使用 Gemini 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687","neo4j","password",    llm_client=GeminiClient(        config=LLMConfig(            api_key=api_key,            model="gemini-2.0-flash")),    embedder=GeminiEmbedder(        config=GeminiEmbedderConfig(            api_key=api_key,            embedding_model="embedding-001")),    cross_encoder=GeminiRerankerClient(        config=LLMConfig(            api_key=api_key,            model="gemini-2.5-flash-lite")))
# 现在您可以使用 Graphiti 与 Google Gemini 的所有组件

Gemini 重新排序器默认使用gemini-2.5-flash-lite模型，该模型经过优化，适用于成本效益高且延迟低的分类任务。它采用与 OpenAI 重新排序器相同的布尔分类方法，利用 Gemini 的对数概率功能对段落相关性进行排名。

使用 Graphiti 与 Ollama（本地 LLM）

Graphiti 支持 Ollama，通过 Ollama 的 OpenAI 兼容 API 运行本地 LLM 和嵌入模型。这对于注重隐私的应用程序或希望避免 API 成本的场景非常适合。

注意：对于 Ollama 和其他 OpenAI 兼容的提供商（如 LM Studio），请使用 OpenAIGenericClient（而不是 OpenAIClient）。OpenAIGenericClient 针对本地模型进行了优化，具有更高的默认最大 token 限制（16K vs 8K），并完全支持结构化输出。

安装模型：​​​​​​​

ollama pull deepseek-r1:7b# LLMollama pull nomic-embed-text  # 嵌入模型​​​​

from graphiti_core importGraphitifrom graphiti_core.llm_client.config importLLMConfigfrom graphiti_core.llm_client.openai_generic_client importOpenAIGenericClientfrom graphiti_core.embedder.openai importOpenAIEmbedder,OpenAIEmbedderConfigfrom graphiti_core.cross_encoder.openai_reranker_client importOpenAIRerankerClient
# 配置 Ollama LLM 客户端llm_config =LLMConfig(    api_key="ollama",# Ollama 不需要真正的 API 密钥，但需要一个占位符    model="deepseek-r1:7b",    small_model="deepseek-r1:7b",    base_url="http://localhost:11434/v1",# Ollama 的 OpenAI 兼容端点)
llm_client =OpenAIGenericClient(config=llm_config)
# 使用 Ollama 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687","neo4j","password",    llm_client=llm_client,    embedder=OpenAIEmbedder(        config=OpenAIEmbedderConfig(            api_key="ollama",# 占位符 API 密钥            embedding_model="nomic-embed-text",            embedding_dim=768,            base_url="http://localhost:11434/v1",)),    cross_encoder=OpenAIRerankerClient(client=llm_client, config=llm_config),)
# 现在您可以使用本地的 Ollama 模型与 Graphiti 进行交互

运行以下命令启动 Ollama 服务，并确保已经拉取了您想要使用的模型：ollama serve

https://github.com/getzep/graphiti

 最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么我要说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓