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

柯基数据(www.kgtdata.com)深耕知识图谱增强大模型领域，有兴趣也可以联系我们

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】