为 AI Agent 构建时态知识图谱的开源引擎
更新于 2026-07-20
← 返回汇总为 AI Agent 构建时态知识图谱的开源引擎
Zep 开源的时态知识图谱引擎。不同于静态 KG 或 RAG 分块，它持续追踪事实随时间的变化——每个三元组都带有效期窗口，保留完整溯源链路到原始数据。Neo4j/FalkorDB/Neptune 多后端，支持 OpenAI/Anthropic/Gemini/Ollama 等 LLM，提供 MCP Server 接入 Claude/Cursor。DMR 基准 94.8% 超越 MemGPT，arXiv 论文背书，是 Agent Memory 赛道的头部开源项目。
文档索引是一次性批处理，数据更新需全量重建。面对频繁变化的企业数据，索引始终滞后于现实。
向量检索只关心语义相似度，无法回答"他从什么时候开始担任这个职位？"或"她现在的偏好是什么？"
Document chunks 丢失实体间关系，Agent 拿到的是一堆文本碎片，不是结构化知识。
Context Graph = 带时间轴的知识图谱。每条事实都有有效期——什么时候为真，什么时候（如果）被取代。实体摘要随时间演化，一切追溯到原始数据 Episode。
| 组件 | 存储内容 |
|---|---|
| Entities（节点） | 人物、产品、政策、概念——摘要随时间演化 |
| Facts / Relationships（边） | 三元组（实体→关系→实体），带时间有效期窗口 |
| Episodes（溯源） | 原始摄入数据——每条事实都追溯至此 |
| Custom Types（本体） | Pydantic 模型定义的实体与边类型 |
每条边携带四个时间戳：valid_at（事实何时成真）、invalid_at（何时失效）、Graphiti 何时发现该事实、何时发现该事实已失效。由此天然支持时间点查询与历史回放。
无需全量重建图谱——增量更新，旧事实保留为历史
Embedding 向量相似度匹配，捕捉语义相近的事实
BM25 全文检索，精确匹配实体名称与术语
中心节点重排序，按图距离优化结果相关性
三者以 RRF（倒数秩融合）合并排序，不依赖 LLM 在线重排序——零额外推理延迟
| 维度 | Zep（商业平台） | Graphiti（开源引擎） |
|---|---|---|
| 本质 | 托管式上下文图谱基础设施 | 开源时态知识图谱引擎 |
| 图谱规模 | 海量 per-user 图谱 + 治理 | 单图谱构建与查询 |
| 用户管理 | 内置 Users / Threads / Messages | 自行构建 |
| 检索性能 | 预配置，P95 <200ms | 取决于自建部署 |
| 开发者工具 | Dashboard、可视化、日志 | 自行构建 |
| 部署方式 | 全托管 / 私有云 | 仅自托管 |
更贴近真实场景的长程记忆评估，Graphiti 在召回率与 token 成本两端均显著领先
# 1. 启动 Neo4j（或 FalkorDB） docker run -p 7687:7687 -e NEO4J_AUTH=neo4j/password neo4j:5.26 # 2. 安装 pip install graphiti-core # 3. 摄入 Episode，自动建图 await graphiti.add_episode( name="user_session_42", episode_body="Kendra loves Adidas Ultraboost, she switched from Nike last month.", source="text", source_description="user chat", reference_time=datetime.now(timezone.utc), ) # 4. 混合检索 results = await graphiti.search("What shoes does Kendra like?") # → Fact: Kendra LOVES Adidas Ultraboost (valid from 2026-03)
时态知识图谱 + Agent Memory 交汇点的头部项目。28.9k Stars + arXiv 论文背书，Neo4j 官方博客推荐。若本体学习、多模态支持、本地化部署继续深化，有望成为 Agent 记忆层的基础设施标准。