getzep/graphiti

项目概览

区别于传统静态批处理 RAG，graphiti 显式追踪双时态模型并在新事实到达时自动失效旧事实，为 Agent 提供不断演进且无信息丢失的记忆层。

项目类型

MCP · AI Agent · RAG 与知识库

应用场景

知识问答 · 自动化执行

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 需要在频繁变化的数据环境中进行时间感知检索和时间推理的开发者和 AI 工程师。
• 希望为 AI Agent 构建具备增量更新能力和数据溯源性的长期动态记忆层的团队。

核心能力

• 自主从非结构化和结构化数据中构建上下文图。通过处理不断变化的关系并保留完整的时间历史，使系统能够理解事实随时间的演变。这是 graphiti 的核心能力，为动态推理提供基础。
• 提供 Model Context Protocol (MCP) 服务器实现。这使得 AI 助手能够通过标准的 MCP 协议直接与 graphiti 的上下文图能力进行交互，从而接入支持该协议的各类客户端。
• 提供基于 FastAPI 的 API 服务。开发者可以通过标准的 HTTP RESTful 接口与 graphiti 的上下文图进行交互和查询，方便将其集成到现有的后端架构中。
• 允许开发者通过 Pydantic 模型预先定义实体和边缘类型（预设模式），或者让图结构直接从数据中自然显现（学习模式）。这种方式为不同业务领域的数据建模提供了多种可选择的构建路径。

限制与风险

• 如果使用不支持 Structured Output 的其他 LLM 服务，可能会导致输出架构不正确并引发数据摄入失败。
• 在高并发的数据摄入管道中，大量的 LLM 调用可能会触发 LLM 提供商的 429 速率限制错误。
• 使用该框架需要具备 Python 编码能力，并且必须成功配置外部的大语言模型 API 和图数据库实例。

如何开始

• 上手难度中等。首先通过 pip 安装 graphiti-core 包；然后使用 Docker 设置图数据库（如 Neo4j 或 FalkorDB）；配置 OpenAI API 密钥等环境变量；最后初始化 Graphiti 并添加 Episodes（剧集数据）即可开始构建图。

核验依据

• GitHub 项目简介: Build Real-Time Knowledge Graphs for AI Agents
• GitHub 仓库资料: {"primary_language":"Python"}
• README: Traditional RAG approaches often rely on batch processing and static data summarization, making them inefficient for frequently changing data.
• README: Graphiti continuously integrates user interactions, structured and unstructured enterprise data, and external information into a coherent, queryable graph.
• README: Graphiti is the open-source temporal context graph engine at the core of Zep's context infrastructure for AI agents.

内容核验时间：