Graphiti：超越传统RAG，构建时间感知型知识图谱的完整指南-洪萨配资

Graphiti是专为动态环境AI智能体设计的知识图谱框架，能持续整合用户交互与各类数据，形成可查询的知识图谱。相比传统RAG，它提供实时增量更新、双时间数据模型、高效混合检索等功能，支持自定义实体定义和大规模数据集管理。可与多种图数据库和LLM服务集成，为AI应用注入强大的上下文感知与记忆能力，适合需要实时交互与精准历史查询的场景。

小提示

尝试使用全新的MCP 服务器为 Graphiti 赋能，让 Claude、Cursor 以及其他 MCP 客户端拥有强大的基于知识图谱的记忆能力。

什么是 Graphiti？

Graphiti 是一个用于构建和查询“时间感知型”知识图谱的框架，专门为运行在动态环境中的 AI 智能体而设计。

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、企业内部的结构化和非结构化数据，以及外部信息，并将它们汇聚成一致且可查询的知识图谱。

该框架支持：

•增量式数据更新（无需一次性重建全图）•高效检索•精准的历史查询

这使得 Graphiti 特别适合开发交互式、具备上下文感知能力的 AI 应用。

Graphiti 的核心功能

使用 Graphiti 可以：

1.整合并维护用户动态交互及业务数据2.支持基于状态的推理和任务自动化3.通过语义检索、关键词搜索和图搜索等方法查询复杂且不断变化的数据

Graphiti 与 Zep 上下文工程平台的关系

Graphiti 是Zep的核心驱动技术。
Zep 是一个即开即用的上下文工程平台，面向 AI 智能体，提供：

•智能体记忆能力•基于知识图谱的 RAG，用于处理动态数据•上下文的检索与组装

在使用 Graphiti 的基础上，我们证明了：

Zep 在智能体记忆领域已达到业界最先进水平。

Zep vs Graphiti 对比

方面	Zep	Graphiti
是什么	面向 AI 记忆的完整托管平台	开源知识图谱框架
用户与会话管理	内置用户、对话线程和消息存储	需自行构建
检索与性能	预配置，生产级检索，规模下响应时间低于 200 毫秒	需自定义实现；性能取决于你的部署
开发者工具	提供图谱可视化仪表盘、调试日志、API 日志，以及 Python、TypeScript、Go 的 SDK	需自行开发工具
企业级功能	服务级协议 (SLA)、技术支持、安全保障	自行管理
部署方式	全托管，或部署在你的云环境	仅支持自托管

选择建议：

•选择 Zep：如果你需要一个即插即用、企业级的平台，且自带安全、性能与支持保障。•选择 Graphiti：如果你希望拥有一个灵活的开源核心，并且愿意自己构建和维护周边系统。

为什么选择 Graphiti？

传统的 RAG 方法通常依赖批处理和静态数据摘要，对于频繁变化的数据效率不高。
Graphiti 针对这些挑战提供了解决方案：

1.实时增量更新：新数据接入立即生效，无需批量重计算2.双时间数据模型：明确记录事件发生时间与数据接入时间，可精确执行时间点查询3.高效混合检索：结合语义嵌入、关键词（BM25）和图遍历，实现低延迟检索，无需依赖 LLM 摘要4.自定义实体定义：支持灵活的本体构建，开发者可用 Pydantic 模型定义实体类型5.可扩展性：高效管理大型数据集，支持并行处理，适用于企业级场景

Graphiti vs GraphRAG 对比

方面	GraphRAG	Graphiti
主要用途	静态文档摘要	动态数据管理
数据处理方式	批处理为主	连续、增量更新
知识结构	实体聚类与社区摘要	情景化数据、语义实体、社区
检索方法	顺序 LLM 摘要	混合语义、关键词和图搜索
适应性	低	高
时间处理	基础时间戳追踪	明确的双时间追踪
矛盾处理	LLM 驱动的摘要判断	基于时间的关系失效处理
查询延迟	数秒到数十秒	通常低于 1 秒
自定义实体类型	不支持	支持，可自定义
可扩展性	中等	高，针对大型数据集优化

总结

Graphiti专为应对动态且频繁更新的数据集而设计，非常适合需要实时交互与精准历史查询的应用场景。

Graphiti 安装指南

系统要求

•Python3.10或更高版本•以下任意一种图数据库：•Neo4j5.26•FalkorDB1.1.2•Kuzu0.11.2•Amazon Neptune 数据库集群或 Neptune Analytics Graph+Amazon OpenSearch Serverless（作为全文检索后端）•OpenAI API key
（Graphiti 默认使用 OpenAI 进行 LLM 推理和向量嵌入）

重要提示
Graphiti 与支持结构化输出（Structured Output）的 LLM 服务配合效果最佳，例如OpenAI与Google Gemini。使用不支持结构化输出的服务可能会导致输出模式错误和数据导入失败，尤其是使用较小模型时更容易出现问题。

可选配置

•Google Gemini、Anthropic或Groq API key（作为替代 LLM 提供商）

提示
安装 Neo4j 最简单的方式是使用Neo4j Desktop[1]，提供了可视化界面来管理 Neo4j 实例与数据库。
如果想快速本地运行 FalkorDB，可以使用 Docker 启动并直接运行快速示例：

docker run -p 6379:6379-p 3000:3000-it --rm falkordb/falkordb:latest

安装 Graphiti 核心：

pip install graphiti-core

或使用 uv

uv add graphiti-core

安装与不同图数据库的适配

FalkorDB 支持

pip install graphiti-core[falkordb] # 或 uv add graphiti-core[falkordb]

Kuzu 支持

pip install graphiti-core[kuzu] # 或 uv add graphiti-core[kuzu]

Amazon Neptune 支持

pip install graphiti-core[neptune] # 或 uv add graphiti-core[neptune]

安装可选的 LLM 服务支持

#安装 Anthropic 支持 pip install graphiti-core[anthropic] #安装 Groq 支持 pip install graphiti-core[groq] #安装 Google Gemini 支持 pip install graphiti-core[google-genai] #同时安装多个 LLM 服务 pip install graphiti-core[anthropic,groq,google-genai] #FalkorDB + LLM 服务 pip install graphiti-core[falkordb,anthropic,google-genai] #Amazon Neptune + LLM 服务 pip install graphiti-core[neptune]

并发与速率限制（429 错误）说明

Graphiti 的数据导入管道支持高并发处理，但为了避免 LLM 服务触发 429 速率限制错误，系统默认将并发设为较低值。

并发控制

并发由环境变量SEMAPHORE_LIMIT控制：

•默认值：10（同时进行 10 个操作）•如果频繁出现429错误，请尝试降低此值•如果 LLM 服务允许更高吞吐量，可以提高此值，以加快数据导入速度

# 设置并发数为 20export SEMAPHORE_LIMIT=20

✅ 建议：安装后先使用小并发测试，再根据 LLM 提供商的速率限制逐步增加SEMAPHORE_LIMIT，以获得最佳性能。

Graphiti 快速开始

重要提示
Graphiti 默认使用OpenAI进行 LLM 推理和向量嵌入。请确保在环境变量中正确设置OPENAI_API_KEY。另外，Graphiti 支持Anthropic和Groq的 LLM 推理，也可以通过兼容 OpenAI API 的其他 LLM 提供商进行集成。

完整示例

在examples目录中提供了Quickstart 示例[2]，该示例演示了以下内容：

1.连接到 Neo4j、Amazon Neptune、FalkorDB 或 Kuzu 数据库2.初始化Graphiti 索引和约束3.添加数据集（episodes）到图谱中（包括文本和结构化 JSON）4.使用混合搜索查找关系（edges）5.通过图距离重新排序搜索结果6.使用预定义的搜索方案（search recipes）查找节点（nodes）

该示例附有完整文档，清晰解释了每个功能，并提供了详细的 README，包括环境设置说明和下一步操作指引。

使用 Docker Compose 运行服务

•Neo4j Docker

docker compose up

这将启动 Neo4j Docker 服务及相关组件。•FalkorDB Docker

docker compose --profile falkordb up

这将启动 FalkorDB Docker 服务及相关组件。

MCP Server（模型上下文协议服务）

mcp_server 目录包含 Graphiti 的 MCP 服务实现，该服务允许 AI 助手通过 MCP 协议访问 Graphiti 的知识图谱功能。

主要功能包括：

•数据集（Episode）的添加、获取与删除•实体管理与关系处理•语义搜索与混合搜索功能•分组管理，用于组织相关数据•图谱维护操作

MCP Server 可以使用 Docker 与 Neo4j 一起部署，方便将 Graphiti 集成到 AI 助手工作流中。

详细的安装与使用方法，请参阅 mcp_server 的 README[3]。

REST 服务

server 目录包含一个基于 FastAPI 构建的 Graphiti API 服务。

请参阅 server README [4]了解更多关于 API 使用的详细说明。

可选环境变量

除了 Neo4j 和 OpenAI 兼容 API 的凭证，Graphiti 还支持若干可选的环境变量：

如果使用我们支持的模型（如 Anthropic 或 Voyage），必须设置相应的环境变量。

数据库配置

数据库名称在驱动构造函数中直接设置：

•Neo4j：默认数据库名为 neo4j（在 Neo4jDriver 中硬编码）•FalkorDB：默认数据库名为 default_db（在 FalkorDriver 中硬编码） 💡 自定义数据库名称（v0.17.0 及以上版本）

如果需要自定义数据库配置，可以实例化一个数据库驱动，并通过 graph_driver 参数传递给 Graphiti 构造函数。

示例：Neo4j 自定义数据库名

from graphiti_core.drivers.neo4j_driver importNeo4jDriver from graphiti_core.graph importGraphiti custom_driver =Neo4jDriver(database="my_database") graph =Graphiti(graph_driver=custom_driver)

✅ 建议：初次运行可直接按默认配置启动，确认环境正常后再根据实际需求进行数据库定制与 LLM 提供商切换。

Graphiti 数据库驱动与 Azure OpenAI 集成指南

1. FalkorDB 自定义数据库名称

from graphiti_core importGraphiti from graphiti_core.driver.falkordb_driver importFalkorDriver # 创建 FalkorDB 驱动，指定自定义数据库名称 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 Graphiti graphiti =Graphiti(graph_driver=driver)

2. Kuzu 驱动示例

from graphiti_core importGraphiti from graphiti_core.driver.kuzu_driver importKuzuDriver # 创建 Kuzu 驱动 driver =KuzuDriver(db="/tmp/graphiti.kuzu") # 将驱动传递给 Graphiti graphiti =Graphiti(graph_driver=driver)

3. Amazon Neptune 驱动示例

from graphiti_core importGraphiti from graphiti_core.driver.neptune_driver importNeptuneDriver # 创建 Neptune 驱动 driver =NeptuneDriver( host=<NEPTUNE_ENDPOINT>, aoss_host=<Amazon_OpenSearch_Serverless_Host>, port=<PORT>,# 可选，默认 8182 aoss_port=<PORT># 可选，默认 443 ) # 或简化版本 driver =NeptuneDriver(host=neptune_uri, aoss_host=aoss_host, port=neptune_port) # 将驱动传递给 Graphiti graphiti =Graphiti(graph_driver=driver)

4. 使用 Graphiti 集成 Azure OpenAI

Graphiti 支持使用 Azure OpenAI 进行 LLM 推理和向量嵌入。

注意：Azure 部署通常需要为 LLM 服务、Embedding 服务分别配置不同的 Endpoint，并且默认模型与小模型需要不同的部署。
重要提示 Azure OpenAI v1 API Opt-in 必须启用结构化输出支持 Graphiti 使用client.beta.chat.completions.parse()方法进行结构化输出，这需要 Azure OpenAI 部署开启 v1 API 如果未开启 v1 API，会在导入数据集时出现 404 Resource not found 错误参考微软文档启用： Azure OpenAI API version lifecycle[5]

from openai importAsyncAzureOpenAI from graphiti_core importGraphiti from graphiti_core.llm_client importLLMConfig,OpenAIClient from graphiti_core.embedder.openai importOpenAIEmbedder,OpenAIEmbedderConfig from graphiti_core.cross_encoder.openai_reranker_client importOpenAIRerankerClient # Azure OpenAI 配置 - 不同服务使用不同的 Endpoint api_key ="<your-api-key>" api_version ="<your-api-version>" llm_endpoint ="<your-llm-endpoint>"# 例如：https://your-llm-resource.openai.azure.com/ embedding_endpoint ="<your-embedding-endpoint>"# 例如：https://your-embedding-resource.openai.azure.com/ # 创建不同服务对应的 Azure OpenAI 客户端 llm_client_azure =AsyncAzureOpenAI( api_key=api_key, api_version=api_version, azure_endpoint=llm_endpoint ) embedding_client_azure =AsyncAzureOpenAI( api_key=api_key, api_version=api_version, azure_endpoint=embedding_endpoint ) # 定义 LLM 配置（小模型与主模型） azure_llm_config =LLMConfig( small_model="gpt-4.1-nano", model="gpt-4.1-mini", ) # 初始化 Graphiti，并传入 Azure OpenAI 客户端 graphiti =Graphiti( "bolt://localhost:7687",# Neo4j Bolt URI "neo4j",# Neo4j 用户名 "password",# Neo4j 密码 llm_client=OpenAIClient( config=azure_llm_config, client=llm_client_azure ), embedder=OpenAIEmbedder( config=OpenAIEmbedderConfig( embedding_model="text-embedding-3-small-deployment"# Azure embedding 部署名 ), client=embedding_client_azure ), cross_encoder=OpenAIRerankerClient( config=LLMConfig( model=azure_llm_config.small_model # 使用小模型进行重新排序 ), client=llm_client_azure ) ) # 现在就可以使用带 Azure OpenAI 支持的 Graphiti

⚠ 替换代码中的占位符为你自己的 Azure OpenAI API Key、API Version、部署名称以及服务 Endpoint，这些必须与 Azure OpenAI 服务的配置保持一致。

Graphiti — Google Gemini 与 Ollama 集成 & 遥测指南

1. 使用 Graphiti 集成 Google Gemini

Graphiti 支持Google Gemini 模型用于：

•LLM 推理 (Large Language Model Inference)•向量嵌入 (Embeddings)•交叉编码 / 重新排序 (Cross-Encoding / Reranking)

安装支持 Google Gemini 的 Graphiti

uv add "graphiti-core[google-genai]" # 或使用 pip pip install "graphiti-core[google-genai]"

示例代码

from graphiti_core importGraphiti from graphiti_core.llm_client.gemini_client importGeminiClient,LLMConfig from graphiti_core.embedder.gemini importGeminiEmbedder,GeminiEmbedderConfig from graphiti_core.cross_encoder.gemini_reranker_client importGeminiRerankerClient # Google API Key 配置 api_key ="<your-google-api-key>" # 初始化 Graphiti 并配置 Gemini graphiti =Graphiti( "bolt://localhost:7687",# Neo4j Bolt URI "neo4j",# Neo4j 用户名 "password",# Neo4j 密码 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-preview-06-17" ) ) )

💡 默认的 Gemini Reranker 使用 gemini-2.5-flash-lite-preview-06-17 模型，优化了成本与低延迟分类任务性能。

它采用与 OpenAI Reranker 相同的布尔分类方法，并利用 Gemini 的 log probabilities 特性来进行 Passage 相关性排序。

2. 使用 Graphiti 集成本地 LLM（Ollama）

Graphiti 支持 Ollama 运行本地 LLM 模型与 Embedding 模型，基于 Ollama 提供的 OpenAI 兼容 API 接口。

这非常适合：

注重隐私的应用场景避免外部 API 调用费用

安装 Ollama 模型

ollama pull deepseek-r1:7b# LLM 模型 ollama pull nomic-embed-text # 向量嵌入模型

示例代码

from graphiti_core importGraphiti from graphiti_core.llm_client.config importLLMConfig from graphiti_core.llm_client.openai_generic_client importOpenAIGenericClient from graphiti_core.embedder.openai importOpenAIEmbedder,OpenAIEmbedderConfig from graphiti_core.cross_encoder.openai_reranker_client importOpenAIRerankerClient # Ollama LLM 配置 llm_config =LLMConfig( api_key="ollama",# Ollama 不需要真实 API Key，可使用占位符 model="deepseek-r1:7b", small_model="deepseek-r1:7b", base_url="http://localhost:11434/v1",# Ollama 的 OpenAI 兼容端口 ) llm_client =OpenAIGenericClient(config=llm_config) # 初始化 Graphiti 并配置 Ollama graphiti =Graphiti( "bolt://localhost:7687", "neo4j", "password", llm_client=llm_client, embedder=OpenAIEmbedder( config=OpenAIEmbedderConfig( api_key="ollama",# 占位符 API Key embedding_model="nomic-embed-text", embedding_dim=768, base_url="http://localhost:11434/v1", ) ), cross_encoder=OpenAIRerankerClient(client=llm_client, config=llm_config), )

📌 确保 Ollama 服务正在运行（ollama serve），并已拉取所需的模型。

3. 遥测（Telemetry）说明

Graphiti 会收集匿名使用统计信息，帮助开发团队改进框架，同时保证透明度。查看遥测代码遥测实现位于 Graphiti 项目中，可直接查看源码。

4. 禁用遥测

Telemetry 默认开启（可随时关闭）。

方法一：环境变量

export GRAPHITI_TELEMETRY_ENABLED=false

方法二：Shell 配置文件

# bash (~/.bashrc 或 ~/.bash_profile) echo 'export GRAPHITI_TELEMETRY_ENABLED=false'>>~/.bashrc # zsh (~/.zshrc) echo 'export GRAPHITI_TELEMETRY_ENABLED=false'>>~/.zshrc

方法三：Python 代码中设置

import os os.environ['GRAPHITI_TELEMETRY_ENABLED']='false' from graphiti_core importGraphiti graphiti =Graphiti(...)

✅ 在测试运行（pytest）中，Telemetry 会自动禁用。

https://github.com/getzep/graphiti?tab=readme-ov-file

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

小提示