AI 智能体的终极记忆方案？来认识一下 Graphiti
在大模型时代，我们早已不再满足于问一句答一句的聊天机器人。真正聪明的 AI 助手，需要有记忆、能理解上下文、还能从海量信息中快速找到答案。
但传统技术如 RAG（检索增强生成）在面对频繁变化的数据时显得力不从心------它依赖批量处理和静态摘要，更新慢、响应迟、难以应对实时场景。
今天，我们要介绍一个正在悄然崛起的新一代图框架：Graphiti。它是 Zep 平台的核心引擎，也是目前公认的 Agent 记忆领域 SOTA（State-of-the-Art）解决方案之一。
如果你关心 AI 如何记住用户历史、如何高效管理动态知识、如何实现秒级精准检索，那这篇文章你一定不能错过！
开源地址：https://github.com/getzep/graphiti
什么是 Graphiti？
简单来说，Graphiti 是一个专为动态数据设计的开源图框架，它可以：
- 实时将文本或结构化数据转化为"知识片段"（Episode）
- 自动提取实体与关系，构建语义网络
- 支持超低延迟的混合检索（
语义+关键词+图路径） - 精确追踪事件发生时间和被记录的时间（双时间维度）
它不是传统的知识图谱工具，也不是简单的向量数据库，而是为 AI Agent 的大脑量身打造的记忆系统。
💡 为什么我们需要 Graphiti？传统 RAG 太"笨"了！
让我们先看一组对比，你就明白 Graphiti 到底强在哪👇
| 对比项 | 传统 GraphRAG |
Graphiti |
|---|---|---|
| 主要用途 | 静态文档总结 | 动态数据管理 ✅ |
| 数据更新方式 | 批量处理 ❌ | 实时增量更新 ✅ |
| 检索速度 | 几秒到十几秒 ❌ | 通常 <1 秒 ✅ |
| 是否支持自定义实体 | 否 ❌ | 是 ✅ |
| 时间精度 | 基础时间戳 | 双时间模型（事件时间 & 录入时间）✅ |
| 矛盾处理 | 依赖 LLM 总结判断 | 自动失效旧边 ✅ |
| 扩展性 | 中等 | 高，适合企业级应用 ✅ |
举个例子：
假设你在做一个客服机器人，用户昨天说：我订了一张去北京的票。
今天又说：改成去上海。
传统的 RAG 可能还会把去北京当作有效信息返回，因为它只是做了静态存储和总结。
而 Graphiti 能识别这是修改行为，自动让去北京这条关系失效，并建立新的去上海连接 ------ 这就是所谓的时间边失效机制。
🧠 它就像人的记忆一样，知道哪些信息已经过时了。
Graphiti 核心能力一览
1. 实时增量更新：新增数据无需重算
你每输入一句话，Graphiti 就能立即解析并加入图谱，不需要等待整批数据跑完。
👉 这句话会被自动拆解成：
- 实体：
小李（人）、心理咨询（服务）、2025-03-29 10:00（时间） - 关系：
小李 → 预约 → 心理咨询
所有这些都在后台悄悄完成，全程无需人工标注。
2. 双时间模型：记得什么时候发生的和什么时候记下的
这是 Graphiti 最独特的能力之一。
event_time：事件实际发生的时间（比如"预约是在3月28日提到的"）ingest_time：这条信息是什么时候被系统录入的
这意味着你可以做这样的查询：
"请告诉我截至2025年3月28日晚上8点，小李的所有预约安排。"
即使后来他改了时间，系统也能准确还原那一刻的历史状态。
📌 适用于医疗记录、法律证据、金融交易等对时间极其敏感的场景。
3. 混合检索：语义 + 关键词 + 图结构三合一
搜索不只是找相似句子，更是理解上下文关联。
python
# 示例：查找与"心理咨询"相关的所有关系（边）
results = await graphiti.search("关于心理咨询的信息", top_k=5)
for result in results:
print(f"UUID: {result.uuid}")
print(f"Fact: {result.fact}")
if hasattr(result, "valid_at") and result.valid_at:
print(f"Valid from: {result.valid_at}")
if hasattr(result, "invalid_at") and result.invalid_at:
print(f"Valid until: {result.invalid_at}")它不仅用到了语义匹配（embedding），还结合了关键词（BM25）和图中邻居节点的距离进行重排序，结果更准、更快！
4. 自定义实体类型：按你的业务建模
你可以用 Pydantic 定义自己的实体模型，比如：
python
from pydantic import BaseModel
class Patient(BaseModel):
name: str
age: int
medical_history: list[str]
class Appointment(BaseModel):
date: str
type: str
doctor: str然后告诉 Graphiti："以后看到类似结构，就按这个模型提取！"
这样就能构建出高度定制化的专业知识图谱。
快速上手：三步搭建你的第一个 Graphiti 应用
第一步：安装依赖
确保你已安装 Python 3.10+，然后运行：
bash
安装基础版本（使用 Neo4j）
pip install graphiti-core 第二步：配置环境变量
创建 .env 文件：
env
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=your_password_here
OPENAI_API_KEY=sk-xxxxxxxxxxxxx 💡 提示：也支持 Azure OpenAI、Google Gemini、Anthropic Claude、Groq 等主流模型。
第三步：写代码！
python
# 异步主函数，用于运行整个流程
async def main():
# 导入所需的类和模块
from graphiti_core.llm_client import LLMConfig, OpenAIClient
from graphiti_core.embedder.openai import OpenAIEmbedder, OpenAIEmbedderConfig
from openai import AsyncOpenAI
# 创建一个异步 OpenAI 客户端实例（用于与 LLM 和嵌入模型交互）
llm_client = AsyncOpenAI()
# 配置大语言模型（LLM）的相关参数
llm_config = LLMConfig(
model="qwen3", # 使用的主模型名称
small_model="qwen3" # 使用的小型模型名称（用于轻量任务）
)
# 初始化 Graphiti 实例，连接到 Neo4j 数据库并配置 LLM 和嵌入模型
graphiti = Graphiti(
neo4j_uri, # Neo4j 数据库 URI
neo4j_user, # Neo4j 用户名
neo4j_password, # Neo4j 密码
llm_client=OpenAIClient(config=llm_config, client=llm_client), # 使用自定义 LLM 客户端
embedder=OpenAIEmbedder( # 使用 OpenAI 嵌入器
config=OpenAIEmbedderConfig(
embedding_model="text-embedding-ada-002" # 嵌入模型名称
),
client=llm_client, # 使用相同的 OpenAI 客户端
),
)
try:
# 导入用于清除图数据的工具函数
from graphiti_core.utils.maintenance.graph_data_operations import clear_data
# 清除 Neo4j 中已有的数据（可选，用于测试）
await clear_data(graphiti.driver)
# 构建 Neo4j 中的索引和约束（提升查询性能）
await graphiti.build_indices_and_constraints()
# 定义要添加到图中的 episodes（数据片段）
episodes = [
{
"content": "卡玛拉·哈里斯是加利福尼亚州总检察长。她之前是旧金山地区检察官。",
"type": EpisodeType.text, # 文本类型的数据
"description": "podcast transcript",
},
{
"content": "作为总检察长，哈里斯的任期为2011年1月3日至2017年1月3日",
"type": EpisodeType.text,
"description": "podcast transcript",
},
{
"content": {
"name": "加文·纽瑟姆",
"position": "州长",
"state": "加利福尼亚州",
"previous_role": "副州长",
"previous_location": "旧金山",
},
"type": EpisodeType.json, # JSON 类型的数据
"description": "podcast metadata",
},
{
"content": {
"name": "加文·纽瑟姆",
"position": "州长",
"term_start": "2019 年1月7日",
"term_end": "当前",
},
"type": EpisodeType.json,
"description": "podcast metadata",
},
]
# 遍历 episodes 并将其添加到图数据库中
for i, episode in enumerate(episodes):
await graphiti.add_episode(
name=f"Freakonomics Radio {i}", # episode 名称
episode_body=(
episode["content"] if isinstance(episode["content"], str)
else json.dumps(episode["content"]) # 如果是字典则序列化为 JSON 字符串
),
source=episode["type"], # 数据类型（text 或 json）
source_description=episode["description"], # 数据来源描述
reference_time=datetime.now(timezone.utc), # 当前时间作为参考时间
)
# 记录所有 episodes 已成功添加
logger.info("All episodes have been added.")
# 可选：执行一次搜索测试，查询"谁是加州州长？"
results = await graphiti.search(
query="谁是加州州长？",
search_config=NODE_HYBRID_SEARCH_RRF # 使用混合搜索配置（RRF）
)
# 打印搜索结果（格式化为 JSON，便于阅读）
print(json.dumps(results, indent=2, ensure_ascii=False))
finally:
# 确保在程序结束时关闭 Graphiti 连接
await graphiti.close()
# 程序入口点：使用 asyncio 运行主函数
if __name__ == "__main__":
asyncio.run(main()) 总结：为什么选择 Graphiti？
- 简化复杂度：将复杂的图谱构建过程抽象成简单的 API 调用，开发者可以专注于业务逻辑
- 实时响应：支持动态数据的实时更新，无需批量重算
- 时间感知：双时间模型让你能准确查询历史状态
- 高性能：混合检索技术实现毫秒级响应
- 高度可定制：支持自定义实体类型和业务模型
Graphiti真正做到了让复杂的知识图谱技术变得像初始化一个类一样简单，为 AI Agent 的记忆能力提供了强大的基础设施支持！
PS：都看到这里，来个点赞、推荐、关注吧。 您的支持是我坚持的最大动力！