Graphiti：為智能體構建實時知識圖譜，引領更聰明的 AI 時代详情 - 人工智能 Candy 日志

动态

详情

返回

Graphiti：為智能體構建實時知識圖譜，引領更聰明的 AI 時代 - 动态详情

05:35 上午 · 10月 28 ,2025

我一直覺得很神奇：大多數 AI 系統只要你一停止和它們對話，就會把一切都忘光。你餵給它們 facts、context、chat logs——會話一結束，噗的一下，全沒了。這一直是“intelligent” agents 的最大瓶頸。

後來我發現了 Graphiti，感覺終於有人把 knowledge graphs 和 AI memory 連接到了一起。

如果這聽起來有點高深，別擔心，我們一步步來。

Graphiti 是什麼

把 Graphiti 想象成一個創建並維護動態知識網絡的工具。
每一條小事實——比如“Kendra 喜歡 Adidas 鞋”——都會變成一個由信息相互連接構成的小三角（類似一個三元關係）。

Kendra -[loves]→ Adidas shoes

每個 node 代表一個“thing”（比如人或物品），每條 edge 表示一種 relationship（比如“loves”或“bought”）。這就是所謂的 knowledge graph。

和常見的 RAG（Retrieval-Augmented Generation）不同，Graphiti 不只是一次性把圖構建出來然後就放着不管；它讓圖“活着”。隨着新信息的進入（用户對話、數據庫記錄、外部更新等等），graph 會持續自我更新。

如果明天 Kendra 改愛 Nike，Graphiti 會自動更新那條 relationship，同時還會記得她曾經喜歡過 Adidas。這就像帶上了 timeline 的 memory。

為什麼這很重要

大多數 RAG 系統是靜態的。它們批量處理數據、做 summarise，然後把信息“定格”。對 research bot 或 FAQ assistant 還行，但對任何快速變化的東西都很差——比如 CRM、real-time analytics dashboard，甚至是 personal AI companion。

Graphiti 顛覆了這個模式。
它帶來：

Instant updates：新數據進來就能即時更新
Bi-temporal tracking：既知道事情發生的時間，也知道被記錄的時間
Hybrid retrieval：融合 semantic search（看語義）、keyword search（看精準關鍵詞）和 graph traversal（看關係結構）

簡而言之：更快、更貼心、更精準的響應——往往不到一秒。

設置 Graphiti

你需要 Python 3.10+，以及一個數據庫（比如 Neo4j 或 FalkorDB）。為了簡單起見，這裏選 Neo4j。

安裝依賴：

pip install graphiti-core

如果你用 uv（非常適合做依賴管理）：

uv add graphiti-core

然後連接 Neo4j：

from graphiti_core import Graphiti
from graphiti_core.driver.neo4j_driver import Neo4jDriver

driver = Neo4jDriver(
    uri="bolt://localhost:7687",
    user="neo4j",
    password="password",
    database="graphiti_demo"
)
graphiti = Graphiti(graph_driver=driver)

現在，給它一條數據——Graphiti 把這種數據稱為一個 “episode”：

episode = {
    "event": "purchase",
    "user": "Kendra",
    "item": "Adidas Ultraboost",
    "timestamp": "2025-10-16T09:00:00Z"
}

graphiti.add_episode(episode)

你可以這樣查詢：

results = graphiti.search("Who bought Adidas shoes?")
print(results)

就這麼簡單。不用 retraining，不用 recomputation。數據是“活的”，會不斷演化。

幕後：一切如何串聯起來

Graphiti 是 Zep 的核心組件，Zep 是一個很酷的 “context engineering platform”，為 AI agents 提供 long-term memory。
所以當你看到 Zep 在像變魔術一樣處理動態數據、維持上下文時——其實是 Graphiti 在幕後默默乾重活。

它也能很好地對接多家 AI providers：

OpenAI（默認）
Google Gemini
Anthropic
Groq
甚至 Ollama（如果你想把一切都本地化）

如果你在做 privacy-focused 的項目，Ollama 的集成非常香。你可以拉取像 deepseek-r1:7b（做 reasoning）和 nomic-embed-text（做 embeddings）這樣的模型，全程不碰雲端。

它與眾不同的感覺

我用過不少號稱 “real-time” 或 “context-aware” 的框架，但 Graphiti 確實做到了。你能直觀看到 relationships 的發展變化；你可以讓它回放某個時刻“世界”的樣子。而且它使用 hybrid retrieval，而不是隻靠 LLM summarisation，所以它很快——經常在一秒內返回。

如果你被傳統 RAG 在應對動態數據時的捉襟見肘折磨過，Graphiti 會讓人耳目一新。

使用前的小提醒

Graphiti 使用 structured LLM output，因此像 OpenAI 或 Gemini 這樣的模型效果最佳。
默認的 concurrency 比較低，以避免觸發 API 限額；如果你的 API 允許更高吞吐，可以調高 SEMAPHORE_LIMIT。
需要為你使用的 LLM provider 設置 environment variables（如 OPENAI_API_KEY、ANTHROPIC_API_KEY 等）。