摘要

本文深入探讨了Zep AI推出的Graphiti框架，一种基于图数据库构建的实时、时序感知的知识图谱引擎，旨在为AI代理提供动态记忆支持。相较于传统的RAG方法，Graphiti能够实时更新数据、快速检索，并通过时序模型保留历史准确性，为智能代理的未来发展铺平道路 。

一、引言：AI代理的未来与记忆挑战

人工智能的真正潜力远不止基础聊天机器人或基于检索增强生成（RAG）的简单交互。真正的突破在于打造自主智能代理（Agentic AI），这些代理能够独立解决问题，从简单交互到复杂工作流无所不包。然而，要实现这一目标，代理需要超越静态检索机制，拥有动态记忆能力，能够持续整合用户交互、企业数据和外部知识 。

传统的RAG方法在数据频繁更新的场景中往往力不从心，无法为基于代理的系统提供有效的支持。为了解决这一问题，Zep AI推出了Graphiti框架——一个灵活的实时记忆层，基于时序感知的知识图谱，并存储在Neo4j数据库中 。本文将详细解析Graphiti的工作原理，并将其与微软研究的GraphRAG（一种基于查询聚焦摘要的实现方式）进行对比，探讨其在动态数据环境中的独特优势。

二、传统RAG的局限性：静态方法的困境

微软的GraphRAG方法通过提取实体和关系，构建以实体为中心的知识图谱，并将其分组为主题集群或“社区”。该方法依赖于大语言模型（LLM）预计算这些社区的摘要。在处理查询时，GraphRAG会进行多次LLM调用，首先生成社区级别的部分响应，然后将这些响应整合为一个完整的答案 。

这种方法在处理大型静态数据集时表现优异，能够提供详细且上下文丰富的响应。然而，当数据频繁更新时，其局限性显现：每次更新可能触发整个图谱的大规模重新计算。此外，其多步骤摘要过程导致检索速度较慢，延迟往往高达几十秒。这种延迟和缺乏动态更新能力，使得GraphRAG难以作为代理应用的全面记忆基础设施 。

三、Graphiti与Neo4j：实时动态代理记忆的解决方案

Graphiti通过其动态数据处理能力，克服了静态RAG的局限性。作为一个实时、时序感知的知识图谱引擎，Graphiti能够逐步处理传入数据，即时更新实体、关系和社区，无需批量重新计算。它不仅是另一个检索工具，而是为智能代理提供持续可用且不断更新的上下文来源，这是传统RAG系统根本无法实现的 。

Graphiti能够同时处理聊天历史记录、结构化JSON数据和非结构化文本。所有数据源可以整合到一个统一的图谱中，或者在同一Graphiti设置下共存多个图谱。这种设计为代理提供了一个统一的、不断演变的“世界观”，极大地提升了其实时交互能力 。

四、Graphiti在动态数据处理中的独特优势

Graphiti的实时增量架构专为频繁更新设计。它持续摄取新的事件或消息（称为数据片段），提取并立即将实体和关系与现有节点进行匹配和更新。这种即时处理能力确保了知识图谱始终保持最新状态 。

Graphiti的一个关键特性是其双时序模型（Bi-temporal Model），该模型记录事件发生的时间以及数据被摄取的时间。图谱中的每个边（或关系）都包含明确的有效性区间（t_valid, t_invalid）。通过语义、关键词和图谱搜索，Graphiti能够判断新知识是否与现有知识冲突，并在冲突发生时利用时序元数据智能地更新或失效过时信息，同时保留历史准确性，而无需大规模重新计算 。

这一时序模型还支持强大的历史查询功能，用户可以重建特定时刻的知识状态，或分析数据随时间演变的过程。这对于需要在复杂时间维度上进行分析的场景尤为重要 。

五、快速查询速度：无需LLM调用的即时检索

Graphiti在速度上也表现卓越。Zep的Graphiti实现达到了极低的延迟检索效果，P95延迟仅为300毫秒。其混合搜索方法结合了语义嵌入、关键词（BM25）搜索和直接图谱遍历，避免了检索过程中调用LLM的开销 。

Graphiti利用向量和BM25索引，实现了几乎恒定时间的节点和边访问，无论图谱规模如何。这一特性得益于Neo4j对这两种索引类型的广泛支持。低延迟的查询性能使Graphiti非常适合实时交互场景，包括语音应用 。

六、自定义实体类型：简单的本体实现

Graphiti能够根据传入数据自动构建本体（Ontology），并注意去重节点和一致性标记边关系。此外，它还提供了一种直观的方法，使用熟悉的Pydantic模型定义特定领域的自定义实体类型 。

这些自定义实体类型支持精确的上下文提取，显著提升了代理交互的质量。例如，自定义实体类型可以包括：

• 个性化用户偏好和兴趣（如喜欢的餐厅、联系人、爱好）以及标准属性（如姓名、生日、地址）；
• 程序性记忆，记录行动指令；
• 特定领域的业务对象（如产品、销售订单） 。

以下是一个简单的Pydantic模型示例，用于定义“客户”实体类型：

python
from
 pydantic 
import
 BaseModel, Field

classCustomer(BaseModel):

"""A customer of the service"""

    name: 
str
 | 
None
 = Field(..., description=
"The name of the customer"
)

    email: 
str
 | 
None
 = Field(..., description=
"The email address of the customer"
)

    subscription_tier: 
str
 | 
None
 = Field(..., description=
"The customer's subscription level"
)

Graphiti会自动将提取的实体与定义的自定义类型匹配。这种能力增强了代理准确回忆知识和提高上下文感知的能力，对确保交互的一致性和相关性至关重要 。

七、Graphiti与QFS-Based GraphRAG的关键对比

以下表格展示了Graphiti与基于查询聚焦摘要（QFS）的GraphRAG在关键特性上的对比（原文中包含此表格，建议插入表格图片或绘制类似表格） ：

特性	Graphiti	QFS-Based GraphRAG
数据更新方式	实时增量更新，无需批量重算	更新需大规模重算
查询延迟	P95延迟300毫秒，无LLM调用	延迟数十秒，需多次LLM调用
时序感知能力	双时序模型，保留历史准确性	无时序感知，静态处理
自定义实体支持	支持Pydantic模型自定义实体	不支持或支持有限

八、Graphiti：驱动代理未来的图谱记忆

Graphiti代表了从传统RAG方法到动态Agent系统记忆基础设施的重要转变。它通过时序感知的知识图谱实现增量、实时更新，工程师无需在数据变更时重新计算整个图谱。Graphiti能够基于时序元数据解决冲突，并保持准确的历史状态 。

通过消除查询时依赖LLM摘要的瓶颈，Graphiti达到了工程师在交互式现实应用中所需的实用延迟水平。其混合索引系统——结合语义嵌入、关键词搜索和图谱遍历——实现了近乎恒定时间的快速检索，不受图谱规模影响。借助Pydantic模型等直观工具实现自定义实体类型，Graphiti填补了代理开发中的重要能力空白，为工程师提供了强大、高性能且真正动态的记忆层 。

九、总结与展望

Graphiti的出现标志着AI代理记忆技术的重要进步，为构建上下文丰富、可解释的生成式AI应用奠定了基础。结合Neo4j的强大支持，Graphiti不仅解决了动态数据处理的核心难题，还为未来的智能代理系统提供了坚实的记忆基础设施。无论是企业应用、科研探索还是投资布局，Graphiti都展现了知识图谱技术在AI领域的巨大潜力 。

如果您对Graphiti或Zep的技术细节感兴趣，可访问其GitHub页面或相关技术文档，了解更多关于其性能基准和时序知识图谱架构的内容 。https://t.zsxq.com/54ymx

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】