Graphiti：给 Agent 的时间知识图谱

Agent 的记忆大多躺在向量库里：只会「相似度最近」，分不清「现在还成立吗」。用户上个月说喜欢 Adidas，这个月改投 Nike 了，普通 RAG 两条都会召回。Graphiti（getzep/graphiti）换了个存法——把事实、关系连同时间窗一起写进实时知识图谱，信息一变旧事实自动失效而不是删除，查的时候既能问「现在什么是真的」，也能问「某天那时候什么是真的」。它是 Zep 商业化上下文基础设施的开源核心，背后有论文 arXiv:2501.13956 撑着；视频号「钟老师AI实战」9 月 25 日推荐过它（查于 2026-09-29，31,303 星）。

核心功能

• 时间窗管理事实：每条事实（实体—关系—实体三元组）带生效区间，信息变化时旧事实被标记失效但保留历史，可查任意时点的状态。
• 增量构建不重算：新数据即刻并入图谱，不用像传统 RAG 那样跑批量重算，适合频繁变化的业务数据。
• 三路混合检索：语义向量 + 关键词（BM25）+ 图遍历一起上，低延迟出结果，查询时不依赖 LLM 摘要。
• episode 溯源：每个实体和关系都能追回产生它的原始数据（episode），从结论到出处全链路。
• 本体可控：实体和边的类型可以用 Pydantic 模型预先定义，也可以让结构从数据里自己长出来。
• MCP 服务器与 REST 服务：仓库自带 mcp_server/（episode、实体管理加混合检索，Docker + Neo4j 部署）和 FastAPI 服务，AI 助手可以直接通过 MCP 读写图谱。

与 GraphRAG 的差别

README 给了一张正面对比表：GraphRAG 面向静态文档摘要，靠 LLM 逐层总结出实体簇和社区摘要；Graphiti 面向动态变化的数据，用双时间轴（事件时间与入库时间）显式记录，矛盾出现时自动失效旧事实并保留完整历史，检索靠混合搜索而非顺序摘要。一句话：文档问答用 GraphRAG，跟着业务一起变的客户档案、项目状态用 Graphiti。

快速上手

要求 Python 3.10+，图后端选 Neo4j 5.26、FalkorDB 1.1.2 或 Amazon Neptune（Kuzu 已标记弃用），默认用 OpenAI 的 key 做 LLM 推理和嵌入，官方提示换用不支持结构化输出的小模型可能导致写入失败：

pip install graphiti-core

想不装图数据库也能跑，可以用 FalkorDB 的内嵌版 pip install graphiti-core[falkordblite]（要求 Python 3.12+）。把对话或业务事件作为 episode 喂进去，图谱就边长边可查了。

小结

做客户上下文、长期记忆或任何「事实会变」的知识系统的后端开发者值得一看；只是想给静态文档做问答的，GraphRAG 类方案更省事。Apache-2.0 协议、Python 实现，2024 年 8 月创建、查于 2026-09-29 有 31,303 星，Zep 团队维护、昨天还在推送，成熟度不用担心。诚实的限制：它默认依赖 OpenAI 且对结构化输出挑剔，换模型要自己验证；跑起来必须先起一个图数据库服务，比纯向量库的运维重一些。和 OpenMausBot 把记忆装在每个 bot 里不同，Graphiti 把记忆外置成一层独立服务，多智能体共用一份会话历史时尤其合适。