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
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
第 1 步
数据摄入
将用户交互、结构化数据等作为“片段”输入。
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。
第 3 步
存储
图谱存入 Neo4j、FalkorDB 或 Amazon Neptune。
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
安装
使用 pip 安装 Graphiti 包。
pip install graphiti-core - 2
配置数据库
准备 Neo4j、FalkorDB 或 Amazon Neptune 实例。
- 3
设置模型
提供 LLM 和嵌入模型的 API 密钥或本地配置。
- 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。
