在这里插入图片描述

从 Ontology、Knowledge Graph 到 GraphRAG，让 AI Agent 拥有真正的长期记忆能力。

项目地址：

https://github.com/getzep/graphiti

一、为什么需要 Graphiti？

过去一年，RAG（Retrieval-Augmented Generation，检索增强生成）成为 AI 应用开发的主流架构。

典型 RAG 流程：

用户问题
   |
   ↓
Embedding 模型
   |
   ↓
Vector Database
   |
   ↓
检索相关文档
   |
   ↓
LLM 生成答案

这种方式解决了：

AI 不知道知识怎么办？

但是随着 AI Agent 的发展，一个新的问题出现：

AI 不仅需要知道知识，还需要理解知识之间的关系，以及这些关系如何随着时间变化。

例如：

用户告诉 AI：

2025 年：

我在 A 公司工作。


2026 年：

我加入了 B 公司。

普通 RAG 可能保存：

王仕宇 → 工作于 → A 公司

王仕宇 → 工作于 → B 公司

但是 AI 不知道：

  • 哪个是当前状态？
  • 哪个是历史状态？
  • 什么时候发生变化？

这就是传统 RAG 的不足。

二、Graphiti 是什么？

Graphiti 是 Zep 开源的一个 Temporal Knowledge Graph（时序知识图谱）框架。

它专门用于：

  • AI Agent Memory
  • Knowledge Graph
  • GraphRAG
  • Context Graph

简单理解：

传统知识图谱：

A ----关系---- B

Graphiti：

A ----关系---- B

      |
      时间

它不仅记录：

两个实体有什么关系。

还记录：

这个关系什么时候成立，什么时候失效。

三、Graphiti 整体架构

整体流程：

              用户数据

                 |
                 |

     ----------------------------

     |            |             |

   对话        文档          业务数据

     |            |             |

     ----------------------------

                 |

                 ↓

              Episode

                 |

                 ↓

        实体 / 关系 / 事实抽取

                 |

                 ↓

       Temporal Knowledge Graph

                 |

        -------------------

        |                 |

        ↓                 ↓

 Agent Memory       Graph Search

        |

        ↓

     AI Agent

四、Graphiti 核心概念

1. Entity（实体）

实体代表现实世界中的对象。

例如：

用户：

王仕宇


项目：

ShiyuAdmin


公司：

JavaPub

形成：

王仕宇

   |
   | 创建

   ↓

ShiyuAdmin

2. Relationship（关系）

实体之间存在连接。

例如：

王仕宇

  |
  |
开发

  ↓

AI 项目

关系：

developer_of

3. Episode（事件）

Episode 是 Graphiti 中非常重要的概念。

可以理解为：

一次进入系统的信息。

例如：

用户：

我最近开始学习 Solana。

形成：

Episode:

用户学习 Solana

进一步抽取：

User

  |
learn

  ↓

Solana

4. Fact（事实）

事实是结构化后的知识。

例如：

原始信息：

张三加入 OpenAI。

转换：

Entity:

张三

OpenAI


Relation:

works_at

最终：

张三

 |

works_at

 |

OpenAI

五、Graphiti 最大特点：时间维度

传统知识图谱：

张三

 |

北京

但是现实世界会变化。

例如：

2024：

张三

 |

居住

 |

北京

2026：

张三

 |

居住

 |

上海

普通系统：

张三 → 北京

张三 → 上海

无法判断当前状态。

Graphiti：

事实 1：

张三居住北京

有效时间：

2024-01

失效时间：

2026-01

事实 2：

张三居住上海

有效时间：

2026-01

于是 AI 可以回答：

问题：

张三现在住哪里？

回答：

上海

问题：

张三 2025 年住哪里？

回答：

北京

六、Fact Invalidation：事实失效

现实世界中的知识会不断变化。

例如：

以前：

用户喜欢 iPhone

后来：

用户改用 Android

普通系统：

喜欢 iPhone

喜欢 Android

容易产生冲突。

Graphiti：

旧事实：

喜欢 iPhone

状态：

invalid

新事实：

喜欢 Android

状态：

active

也就是说：

历史不会被删除，而是变成过去状态。

这对于：

  • 用户画像
  • CRM
  • 企业 Agent
  • Personal AI

非常重要。

七、Graphiti 与普通 RAG 的区别

能力 普通 RAG Graphiti
数据形式 文档片段 图结构
检索方式 向量搜索 图搜索+语义搜索
实体关系 弱 强
时间变化 不擅长 核心能力
历史状态 困难 支持
Agent Memory 一般 强

普通 RAG

问题

 ↓

Embedding

 ↓

找到相似文本

 ↓

LLM

Graphiti

问题

 ↓

实体识别

 ↓

关系查询

 ↓

时间过滤

 ↓

知识图谱

 ↓

LLM

八、Graphiti 的应用场景

1. Personal AI Assistant

个人 AI 助手：

记录：

用户喜欢什么

用户做过什么

用户什么时候改变想法

例如：

过去：

喜欢 Mac

现在：

使用 Windows

Agent 可以知道：

当前主要设备：

Windows

2. 企业知识 Agent

企业：

员工

客户

订单

合同

产品

供应商

形成：

客户

 |

购买

 |

产品

 |

属于

 |

供应商

Agent 可以回答：

这个客户购买过什么？

合同什么时候到期？

当前负责人是谁？

3. Coding Agent

未来 Coding Agent：

不仅知道代码。

还知道：

为什么这样设计？

以前为什么修改？

哪个 Bug 曾经出现？

例如：

项目：

ShiyuAdmin


历史：

2026-01

增加支付模块


2026-03

替换数据库

Agent 拥有项目长期记忆。

九、Graphiti 技术架构

简单架构：

             LLM

              |

              |

        Graphiti Core

              |

      ----------------

      |              |

 Graph Database   Vector

      |

 Neo4j / FalkorDB

Graph Database：

保存：

实体

关系

时间

历史

Vector：

保存：

语义信息

结合：

形成：

Hybrid Search

十、Graphiti + MCP

Graphiti 支持 MCP。

可以连接：

  • Claude Desktop
  • Cursor
  • AI Agent

架构：

Cursor

  |

 MCP

  |

Graphiti

  |

Knowledge Graph

未来：

AI 编程助手可以知道：

项目历史

技术决策

架构变化

Bug 记录

而不仅仅读取当前代码。

十一、Graphiti 与 Ontology 的关系

Ontology：

定义：

世界有什么东西

东西之间有什么关系

例如：

User

Order

Product

Payment

Graphiti：

维护：

这些东西当前是什么状态

过去是什么状态

关系：

Ontology

定义世界模型

        ↓

Graphiti

维护动态世界状态

        ↓

Agent

基于世界模型行动

十二、未来 AI Agent 架构

未来 Agent 可能是：

                 AI Agent

                     |

        ----------------------------

        |            |             |

      Tools       Memory      Ontology


                     |

              Knowledge Graph


                     |

              Business Data

其中：

Ontology：

负责：

理解世界

Knowledge Graph：

负责：

连接世界

Graphiti：

负责：

记录世界变化

Agent：

负责：

执行行动

十三、总结

Graphiti 最大价值：

不是又一个知识图谱工具。

而是：

给 AI Agent 提供一个能够持续变化、理解历史、维护关系的长期记忆系统。

未来 AI 不应该只是：

读取文档

而应该：

理解世界

记住变化

建立关系

持续成长

技术路线：

Ontology

↓

Knowledge Graph

↓

Temporal Knowledge Graph

↓

GraphRAG

↓

Agent Memory

↓

AI Agent

Graphiti 正好处于这条路线的重要位置。

现在是最好的时代。

中国有全世界最高性价比的制造业，有发达的网络和全球物流。

只要你愿意，你几乎可以买到这个世界上任何地方生产的、任何你想要的商品。你可以用很低的成本，撬动全球的资源为你服务。

不过，真正稀缺的，从来不是商品，而是注意力、判断力，以及把事情做成的能力。

所以，这是最好的时代，也是最坏的时代。

我是王仕宇，关注 AI、Web3 与开源，持续探索如何把技术做成产品，把产品转化为真实价值。

作者：

王仕宇 JavaPub

https://javapub.net.cn/

# 人工智能 # 知识图谱
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

深入理解 AI Agent · AGENT #03：从单 Agent 到多 Agent

avatar AI Agent技术社区

2026最新AI Agent高频面试题（分类型精简详解）

本文梳理AI Agent高频面试考点，覆盖基础概念、架构、推理规划、工具调用、记忆、RAG融合、多智能体与工程落地。区分Agent、Workflow与普通工具调用，讲解ReAct、Plan‑and‑Execute等主流范式，分析三级记忆机制与上下文溢出的解决办法，对比传统RAG与Agent‑RAG差异，介绍多智能体协作模式。同时总结落地痛点、优化手段和安全风控要点，划分初/中/高级面试复习重点，可

avatar AI Agent技术社区
cover

2026 年 AI Agent 框架横评：10 大框架优缺点对比 + 选型指南

avatar AI Agent技术社区