Graphiti：面向AI代理的时序知识图谱引擎
构建随时间演变的上下文图谱，让AI代理掌握事实的时效性变化。
证据显示：项目使用Apache-2.0许可证，有SECURITY.md说明安全更新支持0.x版本，并指引通过GitHub私有漏洞报告机制。依赖项在pyproject.toml中列出，但未提供依赖安全审计或漏洞扫描证据。数据流方面，README说明了数据如何被摄取到图数据库，但未明确数据流向或用户确认机制。外部效果方面，项目会调用外部LLM和数据库服务，但未说明权限最小化或用户确认。回滚机制未提及。来源归属方面，有作者信息，但发布者未验证。扣分原因：缺乏用户确认、数据流透明性不足、依赖安全证据薄弱、外部效果未明确权限、无回滚机制。
证据显示：README和代码示例在功能描述上基本一致，但未提供执行测试的证据。依赖项在pyproject.toml中列出，但未验证其可用性。失败消息方面，代码中可能有错误处理，但未提供具体示例。扣分原因：未执行测试，依赖可用性未验证，失败消息证据不足。
证据显示：README明确了目标受众（AI代理开发者）和使用场景（构建时间上下文图）。能力边界通过Zep vs Graphiti对比和GraphRAG对比有所说明。触发精度方面，提供了API使用示例，但未明确触发条件。环境适配方面，支持多种数据库和LLM提供商，但未说明所有环境配置。扣分原因：触发精度不明确，环境适配未全面覆盖。
证据显示：README结构清晰，包含安装、快速开始、示例等。安装说明详细，支持多种安装方式。命名方面，项目名称和包名一致。示例和FAQ部分有快速开始和MCP服务器说明。已知限制方面，提到了Kuzu弃用和LLM结构化输出问题。许可证为Apache-2.0，版本号在pyproject.toml中。维护责任方面，有作者和贡献指南。扣分原因：缺少明确的变更日志，版本历史不完整。
证据显示：输出可用性方面，提供了API和MCP服务器，输出为图数据，但未提供实际输出示例。边际价值方面，与GraphRAG对比突出其时间感知和增量更新优势。成本效益方面，开源免费，但需要自托管数据库和LLM API成本。扣分原因：输出示例不足，成本效益未量化。
证据显示：README中的声明（如时间感知、增量更新）有代码和文档支持，但未提供独立验证。跨来源佐证方面，有arXiv论文链接，但未提供其他独立来源。事实与推断分离方面，README区分了功能描述和性能声明，但未明确标注哪些是推断。扣分原因：跨来源佐证不足，事实与推断分离不明确。
- 发布者身份未验证，需谨慎对待供应链风险。
- 依赖项未提供安全审计证据，建议检查依赖漏洞。
- 项目会调用外部LLM和数据库服务，需确保数据隐私和权限最小化。
- Kuzu后端已弃用，使用前需注意。
- 未提供回滚机制，数据操作需谨慎。
这个 Agent 能做什么，适合哪些场景？
Graphiti是一个开源框架，用于构建和查询面向AI代理的时序知识图谱。与静态知识图谱不同，Graphiti能够追踪事实随时间的变化、保留数据来源，并支持预设和自学习本体。它持续整合用户交互、结构化与非结构化企业数据及外部信息，形成可查询的图谱。采用增量更新，无需全量重算，适用于交互式、上下文感知的AI应用。Graphiti提供混合检索（语义+关键词+图遍历），支持跨时间的精准查询，并具备亚秒级查询延迟。作为Zep的核心引擎，Graphiti在Zep的上下文中证明了其在高性能代理记忆方面的有效性。
Graphiti建立时序上下文图谱：从原始数据（episodes）中提取实体和关系，赋予时间有效性窗口，并自动处理矛盾信息。核心操作包括：通过Graphiti类初始化，添加episodes（文本或结构化JSON），使用混合搜索（语义+BM25+图遍历）检索边和节点，利用图距离重排序结果，以及通过Graphiti的驱动接口（如Neo4jDriver、FalkorDriver）连接Neo4j、FalkorDB等图数据库。支持增量图构建，实时整合新数据。
- 需要从对话历史中提取持续更新的用户画像（如偏好、关系）的客服代理。
- 需要精准回答“某事实在特定时间是否成立”的金融或法律分析人员。
- 需要动态知识整合的推荐系统，根据用户最新行为实时调整推荐。
- 需要从多源数据（邮件、文档、数据库）构建统一知识图谱的企业。
- 希望自托管图谱引擎，避免供应商锁定，同时支持多种LLM提供商（OpenAI、Anthropic等）的开发团队。
这个 Agent 有哪些优点和局限？
- 时序事实管理：自动失效旧事实，保留历史，支持任意时点查询。
- 混合检索：结合语义、关键词和图遍历，亚秒级延迟。
- 增量构建：新数据实时整合，无需批量重算。
- 支持多种图数据库后端：Neo4j、FalkorDB、Amazon Neptune等。
- 对LLM依赖较强，需要支持结构化输出的服务（如OpenAI），否则可能失败。
- 需要自备图数据库（如Neo4j），增加了运维成本。
- 高级功能如用户管理、仪表盘需自行构建，或使用Zep平台（商业）。
- Kuzu后端已弃用。
如何安装或部署这个 Agent？
安装要求：Python 3.10+，Neo4j 5.26或FalkorDB等图数据库，以及OpenAI API密钥（默认）。使用pip安装：pip install graphiti-core，或使用uv：uv add graphiti-core。若使用FalkorDB，需安装：pip install graphiti-core[falkordb]。可选LLM提供商：如Anthropic（pip install graphiti-core[anthropic]）。
如何使用这个 Agent？
快速开始：1. 设置OPENAI_API_KEY环境变量。2. 连接数据库：使用Graphiti类，传入URI、用户名、密码（如bolt://localhost:7687）。3. 初始化索引和约束。4. 添加episodes：使用add_episode方法，传入文本或JSON。5. 检索：调用search方法进行混合搜索。完整示例见examples/quickstart目录。
这个 Agent 与同类方案有什么区别？
Graphiti可与GraphRAG对比：GraphRAG适用于静态文档摘要，批处理，查询延迟高（秒级）；Graphiti面向动态上下文，增量更新，亚秒级查询，支持时间追踪和矛盾自动失效。