Graphiti 时序记忆图谱

为什么要关注时序记忆

大多数 Agent 的记忆实现会把消息或文档压成扁平向量，检索时只能拿到一个"最近相似"的片段。一旦事实发生变更——例如用户从"试用期成员"变成"已付费团队管理员"——旧记录不会自动失效，新记录也未必覆盖旧向量。结果是：模型可能引用早已过期的权限描述，或者无法解释"为什么当前状态与上周记录不同"。

这个技能要解决的核心问题很具体：当事实会随时间演变时，怎样让 Agent 在下一次推理时仍能拿到准确的、带来源的上下文，而不是依赖关键词命中或堆砌聊天记录。

技能做了什么

它基于 Graphiti 构建时间上下文图，把每一次事实输入看作事件，并保留它们之间的关系。与普通 RAG 相比，关键差异在于：

• 时间边（temporal edges）：事实之间的关系会随事件被标记为有效或过期，查询时优先返回当前有效路径。
• 实体提取与分组：人物、项目、权限等实体会被结构化，而不是只有一段散文。
• 混合检索：在语义搜索之上叠加 BM25，缓解单纯向量检索常见的高相似却语义漂移问题。

使用流程大致是：先把 Agent 捕获的事件流接入 Graphiti，再由其写入底层图库；查询时按实体或片段发起检索，即可拿到带时间戳和来源事件的上下文块，供后续 LLM 推理使用。

适用边界与注意点

• 底层图库需要自行准备并保持可用，官方支持包括 Neo4j、FalkorDB、Kuzu、Amazon Neptune，并可结合 OpenSearch 做全文检索。
• LLM 推理与嵌入默认依赖 OpenAI API，其他模型需要自行适配。
• 面向的是事实会变化的场景；如果你的数据基本静态，普通向量库可能更轻。
• 检索性能和开发工具需要按自己的环境做二次实现，上游不提供开箱即用的仪表板或 SDK 工具链。