Graphiti

Graphiti 是 Zep 团队开源的实时知识图谱框架，目标不是把文档再做一次向量检索，而是让 Agent 记住会变化的事实及其时间边界。它把消息、JSON 或文本作为 episode 增量写入图中，抽取实体与关系，并同时记录事实何时在现实中有效、系统何时得知该事实。因而“客户原来在 A 公司、后来去了 B 公司”不必覆盖成一个无历史的字段。它更适合需要长期、可追溯上下文的工程团队，而不是只想上传 PDF 后立即聊天的用户。与 Mem0 的通用记忆层相比，Graphiti 更强调关系、时间与图检索；与 LangGraph 的执行状态编排相比，它承担的是记忆数据层。

快速结论

当 Agent 必须理解事实演变、关系网络和“截至某时”的上下文时，Graphiti 很有价值。官方仓库在 2026 年仍有提交，最新正式发布为 2026-06-08 的 v0.29.2；但它是开发框架而非完整知识库产品，团队仍要负责图数据库、嵌入与生成模型、索引、备份和访问控制。普通文档问答优先考虑 RAGFlow，不要为了“记忆”二字过早引入图运维。

核心功能

• 双时态事实：区分事实的有效时间与系统记录时间，保留已失效关系供历史查询。
• 增量 episode：持续加入消息、文本和 JSON，无需每次重建整张图。
• 混合检索：组合语义向量、BM25 与图遍历，并可按 group、节点或边过滤。
• 实体与关系抽取：利用 LLM 解析非结构化输入，可用 Pydantic 类型约束自定义本体。
• 来源追踪：关系可回溯到原始 episode，便于解释和纠错。
• 图后端与 MCP：官方项目支持 Neo4j、FalkorDB 等后端，并提供独立 MCP server；Kuzu 已在官方版本说明中标记弃用。

适合人群

适合构建客户关系助手、事件调查 Agent、动态实体画像或多会话长期记忆的 AI 工程师，也适合愿意维护图数据库并设计数据隔离策略的平台团队。不适合零代码用户、纯静态 FAQ，或无法承担 LLM 抽取成本和图数据库运维的小型试验。

使用场景

• 客户状态、任职关系、项目依赖等随时间变化的企业记忆。
• 需要回答“当时已知什么”或“某关系何时失效”的审计型查询。
• 多轮 Agent 将新事件持续并入长期上下文，而非反复拼接完整聊天记录。
• 用 MCP 给受控客户端提供图记忆工具，但写入与删除操作应单独授权。

价格与版本

国内访问与使用体验

代码可从 GitHub 获取，实际可用性主要取决于所选模型和图数据库。可配置兼容的模型提供商，但不能据此推断所有组合都达到相同抽取质量。生产部署应把数据库与模型密钥放入密钥管理系统，限制图库端口暴露，并按租户设置 group 隔离；含个人资料或业务关系的数据还应设置保留期、删除流程和人工更正入口。

优点

• 时间不是普通元数据，而是事实模型的一部分，适合真实世界变化。
• 增量更新、来源追踪和混合检索形成较完整的 Agent 记忆基础层。
• Apache-2.0 许可、自定义本体与多后端给工程团队较大控制权。
• 2026 年仍有正式发布与修复，维护信号明确。

不足

• 抽取结果并非天然正确，关键事实仍需校验、去重和冲突处理。
• 图库、全文索引、模型调用与备份共同增加部署复杂度和成本。
• MCP 暴露写入工具后权限面扩大，不能把桌面客户端默认视为可信。
• 对静态资料问答可能比向量 RAG 更重，收益取决于时间关系需求。

替代品对比

常见问题 FAQ

Graphiti 是图数据库吗？

不是。它是构建和检索时态知识图的应用框架，仍需配置受支持的图后端。

它能替代普通 RAG 吗？

不一定。动态关系和时间查询是优势；静态文档问答通常用专门 RAG 更简单。

为什么要记录两种时间？

现实生效时间与系统得知时间可能不同，分开后才能重建历史状态和迟到事件。

可以完全不用外部模型吗？

可探索兼容或本地模型配置，但实体关系抽取质量、结构化输出兼容性与性能需要自行验证。

MCP server 上线前要注意什么？

限制监听地址和调用方，区分读写工具，轮换密钥，并对删除、批量写入和敏感查询记录审计。

总结

Graphiti 的核心价值是把“记忆”从聊天摘要提升为带有效期、来源和关系的可查询事实。若业务确实有动态实体和历史追溯需求，它比简单向量记忆更贴题；若只是做文档机器人，则应先用更轻的方案验证。生产落地的关键不只在检索效果，还在图数据隔离、模型权限、纠错和生命周期治理。