getzep GitHub avatar

graphiti

Python
实时知识图谱框架getzep最近推送 2026年11月19日
RAG 与知识库Apache-2.032.9k3,390575 issues7 天 +172

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

为 AI Agent 构建可随时间演化的知识图谱框架。

Graphiti 是一个用 Python 编写的开源框架,用于构建和查询面向 AI Agent 的时序上下文图谱。它不同于静态知识图谱,会记录事实随时间的变化、保留数据来源,并支持增量更新和混合检索,适合需要长期记忆和上下文关联的智能应用。

推荐指数

4.0

功能明确、社区活跃,适合需要时序知识图谱的开发者,但需自备图数据库和 LLM。

近 7 天

+172

新增 Star

总 Star 排名

#201

雷达追踪的 3,958 个 AI 仓库中

创建于

2024

2024年8月9日

核心亮点

  • 1时序感知

    每条事实都有有效期,记录何时为真、何时被取代。

  • 2增量更新

    新数据可逐步融入图谱,无需全量重算。

  • 3混合检索

    结合语义、关键词和图遍历进行查询。

  • 4来源追溯

    所有派生事实都可回溯到原始数据片段。

  • 5自定义本体

    通过 Pydantic 模型定义实体和关系类型。

适用场景

  • AI 助手长期记忆

    例如:记录用户偏好变化,如“用户喜欢某品牌(截至2026年3月)”。

  • 企业知识管理

    例如:将结构化和非结构化数据整合为可查询的关系网络。

  • 动态 RAG 增强

    例如:在检索增强生成中引入时序和关系信息,提升回答准确性。

它是怎么工作的

  1. 第 1 步

    数据摄入

    将用户交互、结构化数据等作为“片段”输入。

  2. 第 2 步

    图谱构建

    利用 LLM 和嵌入模型提取实体、关系及时间信息。

  3. 第 3 步

    存储

    图谱存入 Neo4j、FalkorDB 或 Amazon Neptune。

  4. 第 4 步

    查询检索

    通过混合检索方式查询时序和关系信息。

快速上手

  1. 1

    安装

    使用 pip 安装 Graphiti 包。

    pip install graphiti-core
  2. 2

    配置数据库

    准备 Neo4j、FalkorDB 或 Amazon Neptune 实例。

  3. 3

    设置模型

    提供 LLM 和嵌入模型的 API 密钥或本地配置。

  4. 4

    构建图谱

    参考官方文档编写代码,摄入数据并查询。

适合谁

  • 需要为 AI Agent 添加长期记忆的开发者
  • 构建时序知识图谱的研究或工程团队
  • 希望增强 RAG 系统上下文关联性的开发者

不太适合

  • 希望开箱即用、无需自建基础设施的用户
  • 不需要时序或关系建模的简单应用

成熟度

  • 活跃度最近更新于2026年11月,star数超3.2万,活跃度高。
  • 文档README 结构清晰,有论文和示例,但详细文档需访问官网。
  • 社区fork 数超3300,issue 数564,社区有一定规模。
  • 上手难度需自备图数据库和模型,配置步骤较多。

同类项目怎么选

  • LangChain通用 LLM 应用框架,知识图谱需额外集成。
  • LlamaIndex侧重数据索引和检索,时序图谱支持较弱。
  • Neo4j图数据库本身,不提供自动构建和时序管理。

使用前注意

  • · 采用 Apache-2.0 许可,商用需保留版权声明。
  • · 需要自行准备图数据库(Neo4j/FalkorDB/Neptune)和 LLM/嵌入模型。
  • · 性能取决于自建基础设施和调优。
  • · 项目处于活跃开发阶段,API 可能变化。

主题标签

agentsgraphllmsrag