让AI Agent拥有”记忆宫殿”：Graphiti实时知识图谱让上下文跨会话不再丢失

每次打开新的 AI 对话，它就像失忆了一样——你上周讨论的需求、上个月的决策上下文，全部要从头教。

这就是 AI Agent 记忆问题的核心。向量数据库能存切片，但无法回答”他在3月份说过的那个偏好”。

Graphiti 解决的就是这件事——给 AI Agent 构建实时、可查询、时间感知知识图谱的记忆基础设施。

它和普通记忆方案有什么不同？

主流记忆方案有两派：

• 向量记忆：把对话切片存进向量库，检索靠语义相似度。优点是简单，缺点是”模糊匹配”不等于”真正理解关系”
• 结构化记忆：写成实体关系图，能做推理，但很多方案是批处理快照，不支持增量更新

Graphiti 走的是第三条路——实时增量时序知识图谱。

核心机制：
– Episode 写入：每次对话/事件作为”片段”增量写入图，自动抽实体+关系，不触发全量重建
– 双时间模型：同时记录”事件发生时间”和”摄入时间”，能回答”截至上周五，这条信息是什么”
– 边失效机制：当新信息让旧关系失效时，Graphiti 不会直接删除历史，而是标记边的失效时间——保证审计可回溯
– 混合检索：语义向量 + BM25 关键词 + 图遍历，三路召回再 rerank，查询延迟亚秒级

适合谁用？

长期陪伴类 Agent——客服、个人助理、教育类 AI，需要跨月记住用户偏好和历史交互

动态业务知识库——订单、工单、文档持续更新，用图 + 时间建模”谁在何时与何物关联”

多 Agent 协作系统——多个 Agent 共享同一张记忆图谱，决策可追溯到当时的讨论上下文

如何接入？

Graphiti 提供 Python 库和 MCP Server 两种接入方式：

pip install graphiti-core

MCP Server 可以直接插到 Claude Desktop 或 Cursor，让 AI 助手拥有图记忆能力：

# 配置 MCP Server URL 到你的 AI 客户端
https://mcp.getzep.com/graphiti

支持 Neo4j、FalkorDB、Kuzu、Amazon Neptune 等多种图数据库后端，以及 OpenAI、Anthropic、Gemini、Ollama 等 LLM 提供商。

最后

说白了：如果你在做的 AI 产品需要 Agent 记住”我是谁、我之前说过什么、我什么时候改变过主意”，Graphiti 是目前开源方案里时序建模最完整的一个。

GitHub：https://github.com/getzep/graphiti
⭐ 30.4K Stars | Apache-2.0 | Python

GitHub: https://github.com/getzep/graphiti