Graphiti 知识图谱框架如何让 AI Agent 拥有会进化的记忆5 分钟跑通首个知识图谱【免费下载链接】graphitiBuild Real-Time Knowledge Graphs for AI Agents项目地址: https://gitcode.com/GitHub_Trending/grap/graphiti做 AI Agent 的朋友大概都撞过这堵墙用户上周告诉 Agent 自己换了新工作这周 Agent 还按老职位跟人家说话。你试着用传统 RAG——把文档切成小块存起来、查询时再检索拼回去——但数据一变要么答案过期要么就得把整批数据重新处理一遍。Graphiti 知识图谱框架就是为解决这个问题而生的它把对话和业务数据写进图数据库每条事实都记录何时成立、何时被取代让 Agent 既能查到现在是什么情况也能回答去年这时候是什么情况。为什么 Graphiti 值得用时态知识图谱的四个真实能力Graphiti 定位在你和 Agent 之间负责把零散的非结构化文本、结构化业务数据持续整理成一张能查询、会进化的上下文图。它的价值体现在几个具体场景里新数据进来时图只做局部增量更新不整体重算。一条新的对话记录写进去几秒内就能被检索到不用排队等批处理。事实发生变更时旧事实不会被删掉而是被标记失效时间。Kendra 喜欢阿迪达斯截至 2026 年 3 月这类带时间窗口的结论既能查现在也能回溯任意历史时点。发起查询时检索走语义嵌入 BM25 关键词 图遍历三条路混合打分亚秒级出结果不需要再让 LLM 先做一轮摘要。想约束实体类型时用 Pydantic 模型自定义实体和关系类型也可以先不定义、让结构从数据里自己长出来两种模式可混用。上手指南环境依赖与最小可运行代码先备齐三样东西Python 3.10 及以上版本一个图数据库Neo4j 5.26或 FalkorDB、Amazon Neptune 任选其一一个 OpenAI API Key默认用于 LLM 推理和嵌入其他供应商如 Anthropic、Gemini 也支持安装后跑下面这段最小示例把两句话写进图里import asyncio from graphiti_core import Graphiti from graphiti_core.nodes import EpisodeType # 连接本地 Neo4j graphiti Graphiti(bolt://localhost:7687, neo4j, password) async def main(): # 建索引和约束只需执行一次 await graphiti.build_indices_and_constraints() # 写入一条文本Graphiti 自动抽取实体与关系 await graphiti.add_episode( namenote-1, episode_bodyKamala Harris 曾担任加州检察长。, sourceEpisodeType.text, source_description人物笔记, ) asyncio.run(main())运行前记得把OPENAI_API_KEY配进环境变量build_indices_and_constraints在同一个库里只需跑一次。完整可运行的 Demo 在仓库的examples/quickstart/目录里跟着跑一遍能看到检索效果。适合用在哪些地方三个典型业务场景客服与用户助手一家电商的客服团队把每次用户会话作为一条 episode 写入图谱。同一个用户一周后再来咨询Agent 能直接调出他之前买过什么、问过什么问题、当时卡在哪一步回复带上下文不用用户把前情再说一遍。会变动的企业数据查询产品目录、价格、库存这类数据更新频繁。写入图谱后旧价格和新价格带着各自的时间窗口并存Agent 推荐时不会把已下线的优惠再推给用户业务方查历史价格也有据可查。Agent 的长期记忆层配合 LangGraph 等 Agent 框架仓库examples/langgraph-agent/有完整示例用这张图替代把聊天记录硬塞进上下文的土办法跨会话、跨天保持记忆连贯。写在最后如果你不想自己搭服务仓库里的mcp_server/目录提供了一个现成的 MCP 服务可以直接把 Graphiti 的记忆能力接进 Claude、Cursor 这类客户端。想继续深入建议从README.md和examples/目录开始读起。【免费下载链接】graphitiBuild Real-Time Knowledge Graphs for AI Agents项目地址: https://gitcode.com/GitHub_Trending/grap/graphiti创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考