推荐语
Graphiti框架为AI智能体打造实时动态知识图谱，突破传统RAG局限，实现数据与交互的智能融合。
核心内容：
1. Graphiti框架的核心优势：实时更新与历史查询能力
2. 与Zep平台的差异化定位与适用场景对比
3. 开源图谱技术在AI记忆与上下文工程中的创新应用
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
什么是 Graphiti？
Graphiti 是一个框架，用于构建和查询具有时间感知的知识图谱，特别适用于在动态环境中操作的 AI 智能体。与传统的检索增强生成（RAG）方法不同，Graphiti 能够持续地将用户互动、结构化与非结构化的企业数据以及外部信息集成到一个连贯的、可查询的图谱中。该框架支持增量数据更新、高效检索，并且可以精确地进行历史查询，而无需重新计算整个图谱，因此非常适合开发交互式、具有上下文感知的 AI 应用程序。
使用 Graphiti 可以：
•集成并维护动态的用户互动和业务数据。•促进基于状态的推理和任务自动化。•使用语义、关键词和基于图谱的搜索方法查询复杂的、不断发展的数据。
知识图谱是由一系列相互连接的事实组成的网络，例如 “Kendra 喜欢 Adidas 鞋子”。每个事实是一个由两个实体（或节点）和它们之间的关系（或边）组成的“三元组”（例如，“Kendra”，“Adidas 鞋子”和“喜欢”）。知识图谱在信息检索中被广泛应用。Graphiti 的独特之处在于，它能够自主构建知识图谱，同时处理关系的变化并维护历史上下文。
Graphiti 与 Zep 的上下文工程平台
Graphiti 为 Zep 的核心提供支持，Zep 是一个为 AI 智能体提供开箱即用的上下文工程平台。Zep 提供智能体记忆、图谱 RAG（用于动态数据）以及上下文检索和组装功能。
我们很高兴开源 Graphiti，认为它的潜力远远超出了 AI 记忆应用的范畴。
Zep vs Graphiti
| 方面 | Zep | Graphiti |
| 它们是什么 | | |
| 用户与会话管理 | | |
| 检索与性能 | 预配置的、生产就绪的检索，性能可达到200ms以下，适合大规模使用 | |
| 开发者工具 | 提供图谱可视化的仪表盘、调试日志、API日志；提供 Python、TypeScript 和 Go 的 SDK | |
| 企业功能 | | |
| 部署方式 | | |
选择哪个？
•选择 Zep：如果您需要一个开箱即用的企业级平台，具备安全性、性能和支持。•选择 Graphiti：如果您需要一个灵活的开源核心，并且愿意构建/运营周围的系统。
为什么选择 Graphiti？
传统的 RAG 方法通常依赖于批量处理和静态数据汇总，这使得它们在处理频繁变化的数据时效率较低。Graphiti 通过以下方式解决了这些问题：
•实时增量更新：即时集成新的数据事件，而无需批量重新计算。•双时间数据模型：明确跟踪事件发生和数据摄取的时间，允许精确的时间点查询。•高效的混合检索：结合语义嵌入、关键词（BM25）和图遍历，实现低延迟查询，无需依赖大语言模型（LLM）摘要。•自定义实体定义：通过简单的 Pydantic 模型，支持灵活的本体创建和开发者定义实体。•可扩展性：高效地管理大型数据集，支持并行处理，适合企业级环境。
Graphiti vs. GraphRAG
| 方面 | GraphRAG | Graphiti |
| 主要用途 | | |
| 数据处理 | | |
| 知识结构 | | |
| 检索方法 | | |
| 适应性 | | |
| 时间处理 | | |
| 矛盾处理 | | |
| 查询延迟 | | |
| 自定义实体类型 | | |
| 可扩展性 | | |
Graphiti 与 GraphRAG 的区别
Graphiti 专门设计用来解决动态和频繁更新的数据集问题，特别适用于需要实时交互和精确历史查询的应用。
安装
要求：
•Python 3.10 或更高版本•Neo4j 5.26 / FalkorDB 1.1.2 / Kuzu 0.11.2 / Amazon Neptune 数据库集群或 Neptune Analytics 图 + Amazon OpenSearch Serverless 集合（作为全文搜索后台）•OpenAI API 密钥（Graphiti 默认使用 OpenAI 进行 LLM 推理和嵌入）
重要说明：
Graphiti 最适合与支持结构化输出的 LLM 服务一起使用（例如 OpenAI 和 Gemini）。如果使用其他服务，可能会导致输出模式不正确或数据摄取失败。尤其是在使用较小的模型时，这个问题会更明显。
可选项：
•Google Gemini、Anthropic 或 Groq API 密钥（用于替代的 LLM 提供商）
提示：
安装 Neo4j 最简单的方式是通过 Neo4j Desktop。它提供了一个用户友好的界面来管理 Neo4j 实例和数据库。或者，您可以通过 Docker 本地使用 FalkorDB，并使用快速入门示例进行快速启动：
docker run -p 6379:6379-p 3000:3000-it --rm falkordb/falkordb:latestpip install graphiti-core
或使用以下命令：
安装 FalkorDB 支持
如果您计划使用 FalkorDB 作为图谱数据库后台，请使用 FalkorDB 扩展进行安装：
pip install graphiti-core[falkordb]或使用 uv 安装：
uv add graphiti-core[falkordb]
安装 Kuzu 支持
如果您计划使用 Kuzu 作为图谱数据库后台，请使用 Kuzu 扩展进行安装：
pip install graphiti-core[kuzu]或使用 uv 安装：
uv add graphiti-core[kuzu]
安装 Amazon Neptune 支持
如果您计划使用 Amazon Neptune 作为图谱数据库后台，请使用 Amazon Neptune 扩展进行安装：
pip install graphiti-core[neptune]或使用 uv 安装：
uv add graphiti-core[neptune]
安装可选的 LLM 提供商
您还可以选择安装可选的 LLM 提供商作为扩展：
安装Anthropic支持：pip install graphiti-core[anthropic]
安装Groq支持：pip install graphiti-core[groq]
安装GoogleGemini支持：pip install graphiti-core[google-genai]
安装多个 LLM 提供商：pip install graphiti-core[anthropic,groq,google-genai]
安装FalkorDB和 LLM 提供商：pip install graphiti-core[falkordb,anthropic,google-genai]
安装AmazonNeptune支持：pip install graphiti-core[neptune]
默认低并发设置；LLM 提供商 429 限速错误
Graphiti 的数据摄取管道是为高并发设计的。默认情况下，并发量设置为较低，以避免 LLM 提供商出现 429 限速错误。如果您发现 Graphiti 性能较慢，可以按照下面的说明增加并发量。
并发量由 SEMAPHORE_LIMIT 环境变量控制。默认情况下，SEMAPHORE_LIMIT 设置为 10 并发操作，以帮助防止 LLM 提供商返回 429 限速错误。如果您遇到此类错误，可以尝试降低该值。
如果您的 LLM 提供商允许更高的吞吐量，您可以增加 SEMAPHORE_LIMIT 来提升数据摄取性能。
快速开始
重要说明
Graphiti 默认使用 OpenAI 进行 LLM 推理和嵌入。确保在您的环境中设置了 OPENAI_API_KEY。也可以支持 Anthropic 和 Groq 的 LLM 推理。其他 LLM 提供商可能通过 OpenAI 兼容的 API 进行支持。
完整工作示例
有关完整的工作示例，请参阅 examples 目录中的快速入门示例。该示例演示了以下内容：
•连接到 Neo4j、Amazon Neptune、FalkorDB 或 Kuzu 数据库•初始化 Graphiti 索引和约束•向图谱中添加数据事件（包括文本和结构化 JSON）•使用混合搜索方法搜索关系（边）•使用图距离对搜索结果进行重新排序•使用预定义的搜索配方搜索节点
该示例有完整的文档，清晰地解释了每个功能，并包含了详细的 README 文件，提供了设置说明和后续步骤。
使用 Docker Compose 运行
您可以使用 Docker Compose 快速启动所需的服务：
•Neo4j Docker：
此命令将启动 Neo4j Docker 服务及相关组件。
•FalkorDB Docker：
docker compose --profile falkordb up
此命令将启动 FalkorDB Docker 服务及相关组件。
MCP 服务器
mcp_server 目录包含了 Graphiti 的 模型上下文协议（MCP）服务器实现。该服务器允许 AI 助手通过 MCP 协议与 Graphiti 的知识图谱功能进行交互。
MCP 服务器的主要功能：
•数据事件管理（添加、检索、删除）•实体管理和关系处理•语义和混合搜索功能•数据分组管理，用于组织相关数据•图谱维护操作
MCP 服务器可以使用 Docker 部署并与 Neo4j 集成，使 Graphiti 容易集成到您的 AI 助手工作流中。
有关详细的设置说明和使用示例，请参阅MCP 服务器的 README 文件[2]
REST 服务
server 目录包含了与 Graphiti API 交互的 API 服务，使用 FastAPI 构建。
更多信息请参考server[3]中的 README 文件。
可选环境变量
除了 Neo4j 和 OpenAi 兼容的凭证外，Graphiti 还提供了几个可选的环境变量。如果您使用的是我们的支持模型之一（例如 Anthropic 或 Voyage 模型），则必须设置相关的环境变量。
数据库配置
数据库名称在驱动程序构造器中直接配置：
•Neo4j：数据库名称默认为 neo4j（在 Neo4jDriver 中硬编码）•FalkorDB：数据库名称默认为 default_db（在 FalkorDriver 中硬编码）
从 v0.17.0 版本开始，如果您需要自定义数据库配置，可以实例化一个数据库驱动程序，并通过 graph_driver 参数将其传递给 Graphiti 构造函数。
Neo4j 自定义数据库名称
from graphiti_core importGraphitifrom graphiti_core.driver.neo4j_driver importNeo4jDriver
# 创建一个带有自定义数据库名称的 Neo4j 驱动driver =Neo4jDriver( uri="bolt://localhost:7687", user="neo4j", password="password", database="my_custom_database"# 自定义数据库名称)
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)
FalkorDB 自定义数据库名称
from graphiti_core importGraphitifrom graphiti_core.driver.falkordb_driver importFalkorDriver
# 创建一个带有自定义数据库名称的 FalkorDB 驱动driver =FalkorDriver( host="localhost", port=6379, username="falkor_user",# 可选 password="falkor_password",# 可选 database="my_custom_graph"# 自定义数据库名称)
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)
Kuzu 驱动
from graphiti_core importGraphitifrom graphiti_core.driver.kuzu_driver importKuzuDriver
# 创建一个 Kuzu 驱动driver =KuzuDriver(db="/tmp/graphiti.kuzu")
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)
Amazon Neptune 驱动
from graphiti_core importGraphitifrom graphiti_core.driver.neptune_driver importNeptuneDriver
# 创建一个 Amazon Neptune 驱动driver =NeptuneDriver( host="<NEPTUNE_ENDPOINT>", aoss_host="<Amazon_OpenSearch_Serverless_Host>", port="<PORT>",# 可选，默认为 8182 aoss_port="<PORT>"# 可选，默认为 443)
# 将驱动传递给 Graphitigraphiti =Graphiti(graph_driver=driver)
使用 Graphiti 与 Azure OpenAI
Graphiti 支持 Azure OpenAI，用于 LLM 推理和嵌入，兼容 Azure 的 OpenAI v1 API。
快速开始
from openai importAsyncOpenAIfrom graphiti_core importGraphitifrom graphiti_core.llm_client.azure_openai_client importAzureOpenAILLMClientfrom graphiti_core.llm_client.config importLLMConfigfrom graphiti_core.embedder.azure_openai importAzureOpenAIEmbedderClient
# 使用标准的 OpenAI 客户端初始化 Azure OpenAI 客户端# 并使用 Azure 的 v1 API 端点azure_client =AsyncOpenAI( base_url="https://your-resource-name.openai.azure.com/openai/v1/", api_key="your-api-key",)
# 创建 LLM 和 Embedder 客户端llm_client =AzureOpenAILLMClient( azure_client=azure_client, config=LLMConfig(model="gpt-5-mini", small_model="gpt-5-mini")# 你的 Azure 部署名称)embedder_client =AzureOpenAIEmbedderClient( azure_client=azure_client, model="text-embedding-3-small"# 你的 Azure 嵌入部署名称)
# 使用 Azure OpenAI 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687","neo4j","password", llm_client=llm_client, embedder=embedder_client,)
# 现在您可以使用 Graphiti 与 Azure OpenAI 进行交互
重点说明：
•用标准的 AsyncOpenAI 客户端，并使用 Azure 的 v1 API 端点格式：https://your-resource-name.openai.azure.com/openai/v1/•部署名称（例如：gpt-5-mini，text-embedding-3-small）应与您的 Azure OpenAI 部署名称一致。•请参阅 examples/azure-openai/ 获取完整的工作示例。•将占位符值替换为实际的 Azure OpenAI 凭证和部署名称。
使用 Graphiti 与 Google Gemini
Graphiti 支持 Google 的 Gemini 模型进行 LLM 推理、嵌入和跨编码/重新排序。要使用 Gemini，您需要配置 LLM 客户端、嵌入器和跨编码器，并提供您的 Google API 密钥。
安装 Graphiti：
uv add "graphiti-core[google-genai]"或
pip install "graphiti-core[google-genai]"
from graphiti_core importGraphitifrom graphiti_core.llm_client.gemini_client importGeminiClient,LLMConfigfrom graphiti_core.embedder.gemini importGeminiEmbedder,GeminiEmbedderConfigfrom graphiti_core.cross_encoder.gemini_reranker_client importGeminiRerankerClient
# Google API 密钥配置api_key ="<your-google-api-key>"
# 使用 Gemini 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687","neo4j","password", llm_client=GeminiClient( config=LLMConfig( api_key=api_key, model="gemini-2.0-flash")), embedder=GeminiEmbedder( config=GeminiEmbedderConfig( api_key=api_key, embedding_model="embedding-001")), cross_encoder=GeminiRerankerClient( config=LLMConfig( api_key=api_key, model="gemini-2.5-flash-lite")))
# 现在您可以使用 Graphiti 与 Google Gemini 的所有组件
Gemini 重新排序器默认使用gemini-2.5-flash-lite模型，该模型经过优化，适用于成本效益高且延迟低的分类任务。它采用与 OpenAI 重新排序器相同的布尔分类方法，利用 Gemini 的对数概率功能对段落相关性进行排名。
使用 Graphiti 与 Ollama（本地 LLM）
Graphiti 支持 Ollama，通过 Ollama 的 OpenAI 兼容 API 运行本地 LLM 和嵌入模型。这对于注重隐私的应用程序或希望避免 API 成本的场景非常适合。
注意：对于 Ollama 和其他 OpenAI 兼容的提供商（如 LM Studio），请使用 OpenAIGenericClient（而不是 OpenAIClient）。OpenAIGenericClient 针对本地模型进行了优化，具有更高的默认最大 token 限制（16K vs 8K），并完全支持结构化输出。
安装模型：
ollama pull DeepSeek-r1:7b# LLMollama pull nomic-embed-text # 嵌入模型
from graphiti_core importGraphitifrom graphiti_core.llm_client.config importLLMConfigfrom graphiti_core.llm_client.openai_generic_client importOpenAIGenericClientfrom graphiti_core.embedder.openai importOpenAIEmbedder,OpenAIEmbedderConfigfrom graphiti_core.cross_encoder.openai_reranker_client importOpenAIRerankerClient
# 配置 Ollama LLM 客户端llm_config =LLMConfig( api_key="ollama",# Ollama 不需要真正的 API 密钥，但需要一个占位符 model="deepseek-r1:7b", small_model="deepseek-r1:7b", base_url="http://localhost:11434/v1",# Ollama 的 OpenAI 兼容端点)
llm_client =OpenAIGenericClient(config=llm_config)
# 使用 Ollama 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687","neo4j","password", llm_client=llm_client, embedder=OpenAIEmbedder( config=OpenAIEmbedderConfig( api_key="ollama",# 占位符 API 密钥 embedding_model="nomic-embed-text", embedding_dim=768, base_url="http://localhost:11434/v1",)), cross_encoder=OpenAIRerankerClient(client=llm_client, config=llm_config),)
# 现在您可以使用本地的 Ollama 模型与 Graphiti 进行交互
运行以下命令启动 Ollama 服务，并确保已经拉取了您想要使用的模型：ollama serve
粤ICP备14082021号
免费POC，
零成本试错
