摘要：Graphiti 是一个专为在动态环境中运行的 AI 智能体设计的时态感知知识图谱构建和查询框架。Graphiti 构建动态、时态感知的知识图谱，表示实体之间复杂、不断发展的关系。本质上，Graphiti 是一个用于建模和分析随时间演变的复杂关系的工具
Graphiti 是一个专为在动态环境中运行的 AI 智能体设计的时态感知知识图谱构建和查询框架。Graphiti 构建动态、时态感知的知识图谱，表示实体之间复杂、不断发展的关系。本质上，Graphiti 是一个用于建模和分析随时间演变的复杂关系的工具
Graphiti 的独特之处在于它能够自主构建知识图谱，同时处理变化的关系并维护历史上下文。它是一个实时、时态感知的知识图谱引擎，可以增量处理传入数据，立即更新实体、关系和社区，无需批量重新计算。
双时态数据模型
Graphiti 的双时态模型跟踪事件发生时间和摄取时间。每个图边（关系）包含明确的有效性区间（t_valid, t_invalid）。Graphiti 是时态的，捕获事实何时有效和无效。这让智能体能够推理状态变化，这是向量数据库无法做到的。
实时增量更新
Graphiti 的实时增量架构专为频繁更新而构建。它持续摄取新数据情节（事件或消息），提取并立即将实体和关系与现有节点进行解析。与传统 RAG 系统不同，工程师不再需要在数据变化时重新计算整个图谱。
混合搜索系统
结合语义嵌入、关键词（BM25）和图遍历，在检索期间无需 LLM 调用即可实现低延迟查询。这种混合搜索方法使用向量和 BM25 索引提供近乎恒定时间的节点和边访问，与图规模无关。
卓越性能
Zep 的 Graphiti 实现实现了极低延迟的检索，在 P95 延迟为 300ms 时返回结果。搜索结果通常在 100ms 以内，延迟主要由第三方嵌入 API 调用决定。
灵活的实体类型
通过简单的 Pydantic 模型支持开发者定义的实体，实现灵活的本体创建。支持定义特定领域的实体类型，为专业应用实现更精确的知识表示。
from graphiti_core import Graphitifrom datetime import datetime# 初始化 Graphitigraphiti = Graphiti(llm_client=openai_client,graph_db_client=neo4j_client)# 添加数据情节await graphiti.add_episode(name="用户交互",episode_body="Kendra 喜欢 Adidas 鞋子。她上周购买了三双。",source_description="客服对话",reference_time=datetime.now)# 混合搜索results = await graphiti.search(query="Kendra 的购物偏好",num_results=10,search_type="hybrid")# 时间点查询historical_graph = await graphiti.get_graph_at_time(timestamp=datetime(2024, 1, 1))mcp_server 目录包含 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。
部署Graphiti服务services:neo4j:image: neo4j:5.26.0ports:- "7474:7474" # HTTP- "7687:7687" # Boltenvironment:- NEO4J_AUTH=${NEO4J_USER:-neo4j}/${NEO4J_PASSWORD:-demodemo}- NEO4J_server_memory_heap_initial__size=512m- NEO4J_server_memory_heap_max__size=1G- NEO4J_server_memory_pagecache_size=512mvolumes:- neo4j_data:/data- neo4j_logs:/logshealthcheck:test: ["CMD", "wget", "-O", "/dev/null", "http://localhost:7474"]interval: 10stimeout: 5sretries: 5start_period: 30sgraphiti-mcp:image: zepai/knowledge-graph-mcp:latestbuild:context: .dockerfile: Dockerfileenv_file:- path: .envrequired: false # Makes the file optional. Default value is 'true'depends_on:neo4j:condition: service_healthyenvironment:- NEO4J_URI=${NEO4J_URI:-bolt://neo4j:7687}- NEO4J_USER=${NEO4J_USER:-neo4j}- NEO4J_PASSWORD=${NEO4J_PASSWORD:-demodemo}- OPENAI_API_KEY=${OPENAI_API_KEY}- MODEL_NAME=${MODEL_NAME}- PATH=/root/.local/bin:${PATH}- SEMAPHORE_LIMIT=${SEMAPHORE_LIMIT:-10}ports:- "8000:8000" # Expose the MCP server via HTTP for sse transportcommand: ["uv", "run", "graphiti_mcp_server.py", "--transport", "sse"]volumes:neo4j_data:neo4j_logs:配置 MCP 客户端# MCP 服务器配置{"mcpServers": {"graphiti": {"transport": "sse","url": "http://localhost:8000/sse"}}}从用户交互中学习的助手，将个人知识与来自 CRM 和计费平台等业务系统的动态数据融合。
自主执行复杂任务的代理，利用来自多个动态源的状态变化进行推理。
Graphiti 支持销售、客户服务、健康、金融等领域的广泛应用，为助手和智能体提供长期记忆和基于状态的推理。
为 Claude、Cursor 和其他 MCP 客户端提供强大的基于知识图谱的记忆。
技术创新冲突解决机制当新事实与先前事实相矛盾时，Graphiti 使旧关系无效而不是删除它，为代理推理保留历史。
可扩展性设计通过使用语义搜索和 BM25 检索相关子图，无论整体图规模如何，都能保持低检索延迟。
超越静态 RAG：当前的 RAG 方法在数据频繁更新时难以应对，限制了其在基于代理的系统中的有效性3。真正的实时性：Graphiti 实现了增量演进的知识图谱，让你的应用实时保持最新7。生产就绪：Graphiti 支撑着 Zep 的核心，这是一个用于 AI 代理的即插即用上下文工程平台。Zep 提供代理记忆、动态数据的图 RAG 以及上下文检索和组装1。开源生态：活跃的开源社区，持续的功能更新和改进。来源：全栈集结号
