Graphiti：基于LLM的时序知识图谱框架
Graphiti 是一个专为 AI 代理构建和查询时序上下文图的开源框架。它区别于静态知识图谱，能跟踪事实如何随时间演变，维护数据来源溯源，并支持预定义与学习型本体，使其适用于处理不断变化的真实世界数据。
核心概念：上下文图
上下文图是一个包含实体、关系和事实的时序图。每个事实（如“Kendra喜欢阿迪达斯鞋（截至2026年3月）”）都有一个有效期：它何时变为真，以及何时被取代。实体随时间演变并更新摘要。所有信息都可追溯到剧集——产生它的原始数据。
主要组成部分：
- 实体：随时间更新摘要的人、产品、政策、概念等。
- 事实/关系：带有有效期的三元组（实体 → 关系 → 实体）。
- 剧集：摄入的原始数据流，是所有衍生事实的溯源依据。
- 自定义类型：通过 Pydantic 模型定义的实体和关系类型。
核心优势与对比
Graphiti 旨在解决传统 RAG（检索增强生成）方法在处理动态数据时的不足。
与传统 RAG 相比：
- 时序事实管理：事实被失效而非删除，可查询当前或历史任一时间点的真相。
- 增量图构建：新数据实时集成，无需批量重新计算。
- 混合检索：结合语义嵌入、关键词（BM25）和图遍历，实现低延迟、高精度查询。
- 溯源性：每个事实都追溯到产生它的原始剧集。
与 GraphRAG 对比：
Graphiti 专注于动态演化上下文，而非静态文档摘要。
- 数据处理：支持持续、增量更新（GraphRAG 为批处理）。
- 知识结构：构建带有时效性窗口和溯源的时序上下文图。
- 检索方法：采用混合搜索，而非依赖 LLM 的顺序摘要。
- 性能：通常支持亚秒级查询延迟。
- 可扩展性：针对大数据集优化，扩展性高。
与 Zep 的关系
Graphiti 是 Zep 用于 AI 代理的上下文基础设施的核心开源时序上下文图引擎。
- Graphiti：开源框架，用于构建和查询单个上下文图。
- Zep：托管的上下文图基础设施，提供大规模治理、低延迟检索、开发者工具和企业级功能。适用于希望开箱即用、有企业支持的用户；Graphiti 则适合希望拥有灵活核心并自行构建外围系统的开发者。
安装与使用
基本要求：Python 3.10+，兼容的数据库（Neo4j 5.26、FalkorDB 1.1.2、Kuzu 0.11.2 或 Amazon Neptune），以及 OpenAI API 密钥（默认用于 LLM 推理和嵌入）。
安装：
# 核心安装
pip install graphiti-core
# 按数据库支持安装（例如 FalkorDB）
pip install graphiti-core[falkordb]
# 按 LLM 提供商安装（例如 Anthropic）
pip install graphiti-core[anthropic]
数据库配置：
支持多种数据库后端，可通过自定义驱动程序实例化数据库连接，并传递给 Graphiti 构造函数。
# Neo4j 自定义数据库示例
from graphiti_core.driver.neo4j_driver import Neo4jDriver
driver = Neo4jDriver(uri="bolt://localhost:7687", user="neo4j", password="password", database="my_custom_database")
graphiti = Graphiti(graph_driver=driver)
支持其他 LLM 提供商：
- Azure OpenAI：使用
AsyncOpenAI 客户端配合 Azure v1 API 端点。
- Google Gemini：配置
GeminiClient、GeminiEmbedder 和 GeminiRerankerClient。
- Ollama（本地 LLM）：使用
OpenAIGenericClient 和本地模型。
其他信息
- 遥测：收集匿名使用统计数据以改进框架，绝不收集个人信息、API 密钥或用户数据。可通过环境变量
GRAPHITI_TELEMETRY_ENABLED=false 禁用。
- 快速开始：提供示例展示如何连接数据库、添加剧集、执行混合搜索等。
- 部署：支持通过 Docker Compose 快速启动数据库服务。提供 MCP 服务器和 REST API 服务以便集成。
- 贡献与支持：欢迎通过代码、文档等方式贡献，可在 Discord 的 #Graphiti 频道获取支持。