ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 1.2em;display: table;border-bottom: 1px solid rgb(248, 57, 41);">什么是 GraphitiingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 0.1em;">Graphiti 是一个用于构建和查询ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;font-weight: bold;">时间感知知识图谱的框架，专为在动态环境中运行的 AI 智能体设计。
与传统的检索增强生成（RAG）方法不同，Graphiti 能够持续整合用户交互、结构化与非结构化企业数据，以及外部信息，构建成一个连贯且可查询的图谱。
该框架支持增量数据更新、高效检索与精准的历史查询，且ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;font-weight: bold;">无需整体重新计算图谱，非常适合开发交互式、上下文感知型 AI 应用。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 0.1em;">使用 Graphiti 可以：ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;list-style: circle;">•整合并维护动态的用户交互和业务数据。•支持智能体基于状态的推理和任务自动化。•通过语义搜索、关键词搜索、图遍历等方式，查询复杂、不断演化的数据。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;list-style: circle;"> ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 0.1em;">知识图谱是由互相关联的事实组成的网络，例如：“Kendra 喜爱 Adidas 鞋子。”
每条事实是一个“三元组”，由两个实体（或称节点，如“Kendra”和“Adidas 鞋子”）以及它们之间的关系（或称边，如“喜爱”）表示。
知识图谱已在信息检索领域得到了广泛的研究与应用。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 0.1em;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;font-weight: bold;">Graphiti的独特之处在于，它能够自主构建知识图谱，同时处理关系变化并保持历史上下文。Graphiti 与 Zep 记忆Graphiti 驱动着 Zep 的 AI 智能体记忆核心。 通过 Graphiti，我们证明了：Zep 是当前智能体记忆领域的最先进方案。 ? 阅读我们的论文：Zep：面向智能体记忆的时间知识图架构[2] 我们非常激动地将 Graphiti 开源，因为我们相信它的潜力远远超越了 AI 记忆应用。 为什么选择 Graphiti传统的 RAG 方法通常依赖批量处理和静态数据摘要，因此在处理经常变化的数据时效率低下。 Graphiti 针对这一挑战，带来了以下优势： •实时增量更新
新数据片段能够即时整合，无需批量重计算。•双时间数据模型
明确记录事件的发生时间和接收时间，支持精准的时点查询。•高效的混合检索
结合了语义嵌入、关键词检索（BM25）和图遍历，实现了低延迟查询，且无需依赖大型语言模型（LLM）摘要。•自定义实体定义
通过直观简单的 Pydantic 模型，开发者可以灵活创建本体论和自定义实体。•优异的可扩展性
支持并行处理，能够高效管理大规模数据集，适用于企业级应用场景。 
Graphiti 与 GraphRAG 对比
Graphiti 专门为应对动态和频繁更新的数据集挑战而设计，特别适用于需要实时交互与精确历史查询的应用场景。 安装指南环境要求：•Python 3.10 或更高版本•Neo4j 5.26 或更高版本（用作嵌入存储后端）•OpenAI API 密钥（用于 LLM 推理与嵌入生成） 重要提示 Graphiti 在支持结构化输出的 LLM 服务（如 OpenAI 和 Gemini）上效果最佳。
使用其他服务可能导致输出模式错误或数据导入失败，尤其是在使用小型模型时问题更为明显。
可选项：•Google Gemini、Anthropic 或 Groq 的 API 密钥（用于接入其他 LLM 提供商） 小提示 安装 Neo4j 最简单的方式是使用 Neo4j Desktop。
它提供了一个用户友好的界面，便于管理 Neo4j 实例和数据库。
或者 你也可以通过安装可选的 LLM 提供商支持来扩展功能： # 安装并支持 Anthropicpipinstall graphiti-core[anthropic]
# 安装并支持 Groqpip install graphiti-core[groq]
# 安装并支持 Google Geminipip install graphiti-core[google-genai]
# 同时安装多个提供商支持pip install graphiti-core[anthropic,groq,google-genai]
快速开始重要提示 Graphiti 使用 OpenAI 进行 LLM 推理和嵌入生成。请确保你的环境中已设置OPENAI_API_KEY。
同时也支持 Anthropic 和 Groq 的 LLM 推理。其他 LLM 提供商可通过兼容 OpenAI API 的方式接入。
完整的示例请参考examples目录中的Quickstart Example[3]。
该快速入门示例演示了以下内容： •连接到 Neo4j 数据库•初始化 Graphiti 的索引与约束•将情节（包括文本和结构化 JSON）添加到图中•使用混合检索方法搜索关系（边）•通过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 示例中包含了每项功能的详细说明，并提供了一个完整的 README，包含环境搭建指南和后续步骤。 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。
通过 MCP 协议，AI 助手可以与 Graphiti 的知识图谱能力进行交互。
MCP 服务器的主要功能包括：•情节管理（添加、检索、删除）•实体管理与关系处理•支持语义与混合搜索•分组管理，用于组织相关数据•图谱维护操作 MCP 服务器可以通过 Docker 与 Neo4j 一起部署，
这使得将 Graphiti 集成到你的 AI 助手工作流中变得非常简单。 详细的安装说明和使用示例，请参阅MCP server目录下的 README 文档。 REST 服务server目录包含了一个用于与 Graphiti API 交互的 API 服务，
该服务基于 FastAPI 构建。
更多信息请参考server目录下的 README 文档。 可选环境变量除了 Neo4j 和 OpenAI 兼容的认证信息外，Graphiti 还支持一些可选的环境变量。
如果你使用的是我们支持的模型（如 Anthropic 或 Voyage 模型），那么必须设置对应的环境变量。 •USE_PARALLEL_RUNTIME是一个可选的布尔类型环境变量。
如果希望在某些搜索查询中启用 Neo4j 的并行运行时特性，可以将其设置为true。
需要注意的是，该特性不适用于 Neo4j Community 版本或较小规模的 AuraDB 实例，因此默认是关闭状态。 在 Azure OpenAI 上使用 GraphitiGraphiti 支持在 Azure OpenAI 平台上进行 LLM 推理和嵌入生成。
如果你希望使用 Azure OpenAI，需要为 LLM 客户端和嵌入器分别配置你的 Azure OpenAI 认证信息。 fromopenai importAsyncAzureOpenAIfromgraphiti_core importGraphitifromgraphiti_core.llm_client importOpenAIClientfromgraphiti_core.embedder.openai importOpenAIEmbedder,OpenAIEmbedderConfigfromgraphiti_core.cross_encoder.openai_reranker_client importOpenAIRerankerClient
# Azure OpenAI 配置api_key ="<你的 API 密钥>"api_version ="<你的 API 版本>"azure_endpoint ="<你的 Azure 终端地址>"
# 创建 Azure OpenAI 客户端（用于 LLM）azure_openai_client =AsyncAzureOpenAI( api_key=api_key, api_version=api_version, azure_endpoint=azure_endpoint)
# 使用 Azure OpenAI 客户端初始化 Graphitigraphiti =Graphiti("bolt://localhost:7687",# Neo4j 数据库连接地址"neo4j",# Neo4j 用户名"password",# Neo4j 密码 llm_client=OpenAIClient( client=azure_openai_client), embedder=OpenAIEmbedder( config=OpenAIEmbedderConfig( embedding_model="text-embedding-3-small"# 使用你在 Azure 部署的嵌入模型名称), client=azure_openai_client),# （可选）配置 Azure OpenAI 用于交叉编码器 cross_encoder=OpenAIRerankerClient( client=azure_openai_client))
# 现在，你可以使用基于 Azure OpenAI 的 Graphiti 了
请确保将示例代码中的占位符（如<你的 API 密钥>、<你的 API 版本>、<你的 Azure 终端地址>）替换为你实际的 Azure OpenAI 认证信息， 并指定正确的嵌入模型名称，该模型必须已经在你的 Azure OpenAI 服务中部署。 在 Graphiti 中使用 Google GeminiGraphiti 支持使用 Google 的 Gemini 模型进行 LLM 推理与嵌入生成。
要使用 Gemini，需要分别为 LLM 客户端和嵌入器配置你的 Google API 密钥。 安装 Graphiti： poetryadd"graphiti-core[google-genai]"#oruvadd"graphiti-core[google-genai]" fromgraphiti_core importGraphitifromgraphiti_core.llm_client.gemini_client importGeminiClient,LLMConfigfromgraphiti_core.embedder.gemini importGeminiEmbedder,GeminiEmbedderConfig
# Google API key configurationapi_key ="<your-google-api-key>"
# Initialize Graphiti with Gemini clientsgraphiti =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")))
# Now you can use Graphiti with Google Gemini
| 
