wehub/getzep--graphiti

Fork 0

Files

T

wehub-resource-sync 1dea06d045

Lint with Ruff / ruff (push) Has been cancelled

Details

CodeQL Advanced / Analyze (actions) (push) Has been cancelled

Details

CodeQL Advanced / Analyze (python) (push) Has been cancelled

Details

Tests / unit-tests (push) Has been cancelled

Details

Tests / database-integration-tests (push) Has been cancelled

Details

Pyright Type Check / pyright (push) Has been cancelled

Details

docs: make Chinese README the default

2026-07-13 10:31:46 +00:00

27 KiB

Raw Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

Graphiti

为 AI Agent 构建时序上下文图（Temporal Context Graph）

Note

我们正在招聘！ 构建为可靠、个性化、高速的生产级 AI Agent 提供动力的上下文图。加入我们，一起构建 — 我们正在招聘工程师和开发者关系（Developer Relations）岗位。查看开放职位.

⭐ 帮助我们触达更多开发者，壮大 Graphiti 社区。请为本仓库点 Star！

Tip

来看看全新的 Graphiti MCP 服务器！为 Claude、Cursor 及其他 MCP 客户端提供强大的、具备时序感知能力的基于上下文图的记忆能力。

Graphiti 是一个用于为 AI Agent 构建和查询时序上下文图的框架。与静态知识图谱不同，Graphiti 的上下文图会追踪事实如何随时间变化，保留到源数据的溯源（provenance），并同时支持规定式与学习式本体（ontology）——因此专为在持续演化的真实世界数据上运行的 Agent 而设计。

与传统检索增强生成（Retrieval-Augmented Generation，RAG）方法不同，Graphiti 持续将用户交互、结构化和非结构化企业数据以及外部信息整合为一个连贯、可查询的图。该框架支持增量数据更新、高效检索和精确的历史查询，且无需对整个图进行完全重算，因此适合开发交互式、具备上下文感知能力的 AI 应用。

使用 Graphiti 可以：

构建随每次交互而演化的上下文图 — 追踪当前何为真、此前何为真。
为 Agent 提供丰富的结构化上下文，而非扁平的文档块或原始聊天历史。
通过混合检索（语义 + 关键词 + 图遍历）跨时间、语义和关系进行查询。

什么是上下文图（Context Graph）？

上下文图是实体、关系与事实的时序图 — 例如 "Kendra 喜欢 Adidas 鞋（截至 2026 年 3 月）。" 与传统知识图谱不同，上下文图中的每条事实都有一个有效期窗口：它何时变为真，以及（若有）何时被取代。实体会随时间演化，摘要也会更新。一切均可追溯到 episodes — 产生这些内容的原始数据。

Graphiti 的独特之处在于，它能够从非结构化与结构化数据中自主构建上下文图，在处理变化中的关系的同时保留完整的时序历史。

上下文图包含：

组件	存储内容
Entities（实体）（节点）	人物、产品、政策、概念 — 附带随时间演化的摘要
Facts / Relationships（事实 / 关系）（边）	三元组（Entity → Relationship → Entity），附带时序有效期窗口
Episodes（溯源片段）（provenance）	按摄入方式保存的原始数据 — 即真实数据流。每条衍生事实均可追溯至此
Custom Types（自定义类型）（ontology）	开发者通过 Pydantic 模型定义的实体与边类型

Graphiti 与 Zep

Graphiti 是 Zep AI Agent 上下文基础设施核心的开源时序上下文图引擎。Zep 大规模管理上下文图，为生产级 Agent 部署提供受治理、低延迟的上下文检索与组装能力。

借助 Graphiti，我们已证明 Zep 是 Agent 记忆领域的最先进方案（State of the Art in Agent Memory）.

阅读我们的论文：Zep: A Temporal Knowledge Graph Architecture for Agent Memory.

我们很高兴将 Graphiti 开源，并相信其作为上下文图引擎的潜力远不止于记忆类应用。

Zep 与 Graphiti 对比

方面	Zep	Graphiti
定位	面向 AI Agent 的托管式上下文图基础设施	开源时序上下文图引擎
上下文图	以治理方式管理海量按用户/实体划分的上下文图	构建并查询单个上下文图
用户与会话管理	内置用户、线程与消息存储	需自行构建
检索与性能	预配置、可用于生产的检索，大规模下可实现亚 200ms 性能	需自行实现；性能取决于你的部署配置
开发者工具	带图可视化、调试日志、API 日志的仪表盘；提供 Python、TypeScript 与 Go SDK	需自行构建工具
企业级能力	SLA、支持、安全承诺	自行运维
部署方式	全托管或部署在你的云中	仅支持自托管

如何选择

选择 Zep：如果你需要开箱即用、企业级平台，且安全、性能与支持均已内置。

选择 Graphiti：如果你需要灵活的开源核心，并愿意自行构建/运维周边系统。

为什么选择 Graphiti？

传统 RAG 方法往往依赖批处理与静态数据摘要，因此在频繁变化的数据场景下效率较低。Graphiti 通过以下能力应对这些挑战：

时序事实管理（Temporal Fact Management）： 事实具有有效期窗口。当信息发生变化时，旧事实会被作废 — 而非删除。可查询当前何为真，或任意时间点何为真。
Episodes 与溯源（Provenance）： 每个实体与关系均可追溯到产生它的 episodes（原始数据）。从衍生事实到源数据的完整血缘。
规定式与学习式本体（Prescribed & Learned Ontology）： 可通过 Pydantic 模型预先定义实体与边类型（规定式），或让结构从数据中涌现（学习式）。从简单起步，随模式出现而演进。
增量图构建（Incremental Graph Construction）： 新数据可立即整合，无需批处理重算。图会在 episodes 摄入时实时演化。
混合检索（Hybrid Retrieval）： 结合语义嵌入、关键词（BM25）与图遍历，实现低延迟、高精度的查询，且不依赖 LLM 摘要。
可扩展性（Scalability）： 通过并行处理与可插拔图后端高效管理大型数据集，适用于企业级工作负载。

Graphiti 与 GraphRAG 对比

方面	GraphRAG	Graphiti
主要用途	静态文档摘要	面向 Agent 的动态、持续演化的上下文
数据处理方式	面向批处理	持续、增量更新
知识结构	实体聚类与社区摘要	时序上下文图 — 实体、带有效期窗口的事实、episodes、社区
检索方法	顺序式 LLM 摘要	混合语义、关键词与基于图的搜索
适应性	低	高
时序处理	基础时间戳追踪	显式双时态（bi-temporal）追踪，并自动作废事实
矛盾处理	由 LLM 驱动的摘要判断	自动作废事实，同时保留时序历史
查询延迟	数秒到数十秒	通常亚秒级延迟
自定义实体类型	否	是，可通过 Pydantic 模型自定义
可扩展性	中等	高，针对大型数据集优化

Graphiti 专为应对动态且频繁更新的数据集所带来的挑战而设计，因此特别适合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 / Amazon Neptune Database Cluster 或 Neptune Analytics Graph + Amazon OpenSearch Serverless collection（作为全文检索后端）/ Kuzu 0.11.2（已弃用，见下文）
OpenAI API 密钥（Graphiti 默认使用 OpenAI 进行 LLM 推理与嵌入）

Important

Graphiti 最适合搭配支持 Structured Output（结构化输出）的 LLM 服务（如 OpenAI、Anthropic 和 Gemini）。使用其他服务可能导致输出 schema 不正确以及摄取失败，在使用较小模型时尤其如此。

可选：

Google Gemini、Anthropic 或 Groq API 密钥（用于替代 LLM 提供商）

Tip

安装 Neo4j 最简单的方式是通过 Neo4j Desktop.。它提供了友好的界面来管理 Neo4j 实例和数据库。或者，你可以通过 Docker 在本地部署 FalkorDB，并立即使用 quickstart 示例启动：
docker run -p 6379:6379 -p 3000:3000 -it --rm falkordb/falkordb:latest

pip install graphiti-core

或

uv add graphiti-core

安装 FalkorDB 支持

如果你计划将 FalkorDB 用作图数据库后端，请安装 FalkorDB extra：

pip install graphiti-core[falkordb]

# or with uv
uv add graphiti-core[falkordb]

# or embedded version (requires Python 3.12+)
pip install graphiti-core[falkordblite]
# or with uv
uv add graphiti-core[falkordblite]

安装 Kuzu 支持

Warning

Kuzu 已弃用，并将在未来版本中移除——上游 Kuzu 项目已不再维护。新项目应使用 Neo4j 或 FalkorDB。该驱动目前仍会随附发布，但会发出 DeprecationWarning。

如果你计划将 Kuzu 用作图数据库后端，请安装 Kuzu extra：

pip install graphiti-core[kuzu]

# or with uv
uv add graphiti-core[kuzu]

安装 Amazon Neptune 支持

如果你计划将 Amazon Neptune 用作图数据库后端，请安装 Amazon Neptune extra：

pip install graphiti-core[neptune]

# or with uv
uv add graphiti-core[neptune]

你也可以将可选的 LLM 提供商作为 extra 安装：

# Install with Anthropic support
pip install graphiti-core[anthropic]

# Install with Groq support
pip install graphiti-core[groq]

# Install with Google Gemini support
pip install graphiti-core[google-genai]

# Install with multiple providers
pip install graphiti-core[anthropic,groq,google-genai]

# Install with FalkorDB and LLM providers
pip install graphiti-core[falkordb,anthropic,google-genai]

# Install with Amazon Neptune
pip install graphiti-core[neptune]

默认低并发；LLM 提供商 429 速率限制错误

Graphiti 的摄取流水线面向高并发设计。为避免 LLM 提供商 429 速率限制错误，默认将并发设得较低。如果你觉得 Graphiti 较慢，请按下文说明提高并发。

并发由 SEMAPHORE_LIMIT 环境变量控制。默认情况下，SEMAPHORE_LIMIT 设为 10 个并发操作，以帮助防止来自 LLM 提供商的 429 速率限制错误。若遇到此类错误，请尝试降低该值。

如果你的 LLM 提供商允许更高吞吐，可提高 SEMAPHORE_LIMIT 以提升 episode 摄取性能。

快速开始

Important

Graphiti 默认使用 OpenAI 进行 LLM 推理与嵌入。请确保在环境中设置了 OPENAI_API_KEY。也支持 Anthropic、Gemini 和 Groq。其他 LLM 提供商——包括托管的 OpenAI 兼容 API（DeepSeek、Together、OpenRouter 等）以及本地服务（Ollama、vLLM、llama.cpp、LM Studio）——可通过其 OpenAI 兼容端点使用；参见将 Graphiti 与 OpenAI 兼容提供商及本地 LLM 配合使用。

完整可运行示例见 examples 目录中的 Quickstart Example。 quickstart 演示了：

连接 Neo4j、Amazon Neptune、FalkorDB 或 Kuzu 数据库
初始化 Graphiti 索引与约束
向图中添加 episode（文本与结构化 JSON）
使用混合搜索查找关系（边）
使用图距离对搜索结果重排序
使用预定义搜索配方查找节点

该示例附有完整文档，清晰说明各项功能，并包含带设置说明与后续步骤的详尽 README。

使用 Docker Compose 运行

你可以使用 Docker Compose 快速启动所需服务：

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 服务器

mcp_server 目录包含 Graphiti 的 Model Context Protocol（MCP）服务器实现。该服务器使 AI 助手能够通过 MCP 协议与 Graphiti 的上下文图能力交互。

MCP 服务器的主要功能包括：

Episode 管理（添加、检索、删除）
实体管理与关系处理
语义搜索与混合搜索能力
分组管理以组织相关数据
图维护操作

MCP 服务器可与 Neo4j 一同通过 Docker 部署，便于将 Graphiti 集成到 AI 助手工作流中。

详细设置说明与使用示例见 MCP 服务器 README。

REST 服务

server 目录包含用于与 Graphiti API 交互的 API 服务，基于 FastAPI 构建。

更多信息见 server README。

可选环境变量

除 Neo4j 与 OpenAI 兼容凭据外，Graphiti 还有一些可选环境变量。若使用我们支持的模型（如 Anthropic 或 Voyage 模型），必须设置相应环境变量。

数据库配置

数据库名称在驱动构造函数中直接配置：

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）

自 v0.17.0 起，若需自定义数据库配置，可实例化数据库驱动，并通过 graph_driver 参数传入 Graphiti 构造函数。

使用自定义数据库名称的 Neo4j

from graphiti_core import Graphiti
from graphiti_core.driver.neo4j_driver import Neo4jDriver

# Create a Neo4j driver with custom database name
driver = Neo4jDriver(
    uri="bolt://localhost:7687",
    user="neo4j",
    password="password",
    database="my_custom_database"  # Custom database name
)

# Pass the driver to Graphiti
graphiti = Graphiti(graph_driver=driver)

使用自定义数据库名称的 FalkorDB

from graphiti_core import Graphiti
from graphiti_core.driver.falkordb_driver import FalkorDriver

# Create a FalkorDB driver with custom database name
driver = FalkorDriver(
    host="localhost",
    port=6379,
    username="falkor_user",  # Optional
    password="falkor_password",  # Optional
    database="my_custom_graph"  # Custom database name
)

# Or use embedded FalkorDB Lite (requires Python 3.12+)
# from redislite.async_falkordb_client import AsyncFalkorDB
# falkordb_client = AsyncFalkorDB(dbfilename='/path/to/database.db')
# driver = FalkorDriver(falkor_db=falkordb_client)

# Pass the driver to Graphiti
graphiti = Graphiti(graph_driver=driver)

Kuzu

Warning

Kuzu 已弃用（上游项目不再维护），并将在未来版本中移除。请优先使用 Neo4j 或 FalkorDB。

from graphiti_core import Graphiti
from graphiti_core.driver.kuzu_driver import KuzuDriver

# Create a Kuzu driver
driver = KuzuDriver(db="/tmp/graphiti.kuzu")

# Pass the driver to Graphiti
graphiti = Graphiti(graph_driver=driver)

Amazon Neptune

from graphiti_core import Graphiti
from graphiti_core.driver.neptune_driver import NeptuneDriver

# Create a Neptune driver
driver = NeptuneDriver(
    host='<NEPTUNE_ENDPOINT>',
    aoss_host='<AMAZON_OPENSEARCH_SERVERLESS_HOST>',
    port=8182,      # Optional, defaults to 8182
    aoss_port=443,  # Optional, defaults to 443
)

# Pass the driver to Graphiti
graphiti = Graphiti(graph_driver=driver)

要贡献新的图数据库后端？请参阅 Adding a graph driver。

在 Graphiti 中使用 Azure OpenAI

Graphiti 通过 Azure 的 OpenAI v1 API 兼容层，支持将 Azure OpenAI 用于 LLM 推理和嵌入（embeddings）。

快速入门

from openai import AsyncOpenAI
from graphiti_core import Graphiti
from graphiti_core.llm_client.azure_openai_client import AzureOpenAILLMClient
from graphiti_core.llm_client.config import LLMConfig
from graphiti_core.embedder.azure_openai import AzureOpenAIEmbedderClient

# Initialize Azure OpenAI client using the standard OpenAI client
# with Azure's v1 API endpoint
azure_client = AsyncOpenAI(
    base_url="https://your-resource-name.openai.azure.com/openai/v1/",
    api_key="your-api-key",
)

# Create LLM and Embedder clients
llm_client = AzureOpenAILLMClient(
    azure_client=azure_client,
    config=LLMConfig(model="gpt-5-mini", small_model="gpt-5-mini")  # Your Azure deployment name
)
embedder_client = AzureOpenAIEmbedderClient(
    azure_client=azure_client,
    model="text-embedding-3-small"  # Your Azure embedding deployment name
)

# Initialize Graphiti with Azure OpenAI clients
graphiti = Graphiti(
    "bolt://localhost:7687",
    "neo4j",
    "password",
    llm_client=llm_client,
    embedder=embedder_client,
)

# Now you can use Graphiti with Azure OpenAI

要点：

使用标准 AsyncOpenAI 客户端，配合 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）应与你的 Azure OpenAI 部署名称一致
完整可运行示例请参阅 examples/azure-openai/

请务必将占位符值替换为你的实际 Azure OpenAI 凭据和部署名称。

在 Graphiti 中使用 Google Gemini

Graphiti 支持将 Google 的 Gemini 模型用于 LLM 推理、嵌入以及交叉编码/重排序（cross-encoding/reranking）。要使用 Gemini，你需要使用 Google API 密钥配置 LLM 客户端、嵌入器（embedder）和交叉编码器（cross-encoder）。

安装 Graphiti：

uv add "graphiti-core[google-genai]"

# or

pip install "graphiti-core[google-genai]"

from graphiti_core import Graphiti
from graphiti_core.llm_client.gemini_client import GeminiClient, LLMConfig
from graphiti_core.embedder.gemini import GeminiEmbedder, GeminiEmbedderConfig
from graphiti_core.cross_encoder.gemini_reranker_client import GeminiRerankerClient

# Google API key configuration
api_key = "<your-google-api-key>"

# Initialize Graphiti with Gemini clients
graphiti = 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"
        )
    )
)

# Now you can use Graphiti with Google Gemini for all components

Gemini 重排序器默认使用 gemini-2.5-flash-lite 模型，该模型针对高性价比、低延迟的分类任务进行了优化。它采用与 OpenAI 重排序器相同的布尔分类方法，利用 Gemini 的对数概率（log probabilities）功能对段落相关性进行排序。

在 Graphiti 中使用 OpenAI 兼容提供商与本地 LLM

Graphiti 可通过 OpenAIGenericClient 使用任何 OpenAI 兼容的 /v1 端点进行 LLM 推理——包括托管提供商（DeepSeek、Together、OpenRouter、Fireworks 等）和本地服务器（Ollama、vLLM、llama.cpp、LM Studio）。本地服务器非常适合注重隐私的应用，或用于避免 API 费用。以下示例使用 Ollama；对于其他提供商，将 base_url 指向其端点，并设置相应的 api_key 和 model。

注意： 对于这些端点，请使用 OpenAIGenericClient（而非 OpenAIClient）。它针对本地模型进行了优化，默认最大 token 上限更高（16K 对比 8K），并能在兼容的提供商之间处理结构化输出。

安装模型：

ollama pull deepseek-r1:7b # LLM
ollama pull nomic-embed-text # embeddings

from graphiti_core import Graphiti
from graphiti_core.llm_client.config import LLMConfig
from graphiti_core.llm_client.openai_generic_client import OpenAIGenericClient
from graphiti_core.embedder.openai import OpenAIEmbedder, OpenAIEmbedderConfig
from graphiti_core.cross_encoder.openai_reranker_client import OpenAIRerankerClient

# Configure Ollama LLM client
llm_config = LLMConfig(
    api_key="ollama",  # Ollama doesn't require a real API key, but some placeholder is needed
    model="deepseek-r1:7b",
    small_model="deepseek-r1:7b",
    base_url="http://localhost:11434/v1",  # Ollama's OpenAI-compatible endpoint
)

llm_client = OpenAIGenericClient(config=llm_config)

# Initialize Graphiti with Ollama clients
graphiti = Graphiti(
    "bolt://localhost:7687",
    "neo4j",
    "password",
    llm_client=llm_client,
    embedder=OpenAIEmbedder(
        config=OpenAIEmbedderConfig(
            api_key="ollama",  # Placeholder 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),
)

# Now you can use Graphiti with local Ollama models

请确保 Ollama 正在运行（ollama serve），且已拉取你要使用的模型。

结构化输出与小模型

Graphiti 依赖结构化（JSON）输出进行实体/边提取与去重，在能够可靠遵循该要求的模型和提供商（OpenAI、Anthropic、Gemini）上效果最佳。不同 OpenAI 兼容提供商之间的可靠性差异较大，尤其是在较小或本地模型上，因此 OpenAIGenericClient 提供了 structured_output_mode：

"json_schema"（默认）：通过 response_format 请求原生结构化输出。在能力较强的模型和通过约束解码（constrained decoding）强制执行 schema 的提供商上效果最佳。
"json_object"：请求纯 JSON 模式，并将 schema 注入提示词中。适用于不能可靠遵循 json_schema 的提供商/模型——包括某些本地服务器，它们会接受 json_schema 请求但实际上并不将输出约束到该 schema，此时 json_object 可能更可靠。

使用较小或本地模型时：

优先使用你能运行的最强模型。非常小的模型经常输出与请求 schema 不匹配的 JSON，这会表现为提取失败。
包裹在 Markdown ```json 代码围栏中的响应会自动剥离。
保持 SEMAPHORE_LIMIT 较低（参见上文）——本地服务器和部分提供商的并发能力有限。

文档

Telemetry

Graphiti 会收集匿名使用统计，帮助我们了解框架的使用情况并改进产品，惠及所有用户。我们重视透明度，因此下面会说明我们具体收集哪些数据以及原因。

What We Collect

初始化 Graphiti 实例时，我们会收集：

Anonymous identifier（匿名标识符）：随机生成的 UUID，本地存储在 ~/.cache/graphiti/telemetry_anon_id
System information（系统信息）：操作系统、Python 版本和系统架构
Graphiti version（Graphiti 版本）：你正在使用的版本
Configuration choices（配置选择）：
- LLM provider type（LLM 提供商类型）（OpenAI、Azure、Anthropic 等）
- Database backend（数据库后端）（Neo4j、FalkorDB、Kuzu、Amazon Neptune Database 或 Neptune Analytics）
- Embedder provider（嵌入模型提供商）（OpenAI、Azure、Voyage 等）

What We Don't Collect

我们致力于保护你的隐私。我们从不收集：

个人信息或标识符
API keys 或凭据
你的实际数据、查询或图内容
IP 地址或主机名
文件路径或系统特定信息
来自 episodes、nodes 或 edges 的任何内容

Why We Collect This Data

这些信息帮助我们：

了解哪些配置最受欢迎，从而优先提供支持和测试
确定应重点投入开发的 LLM 和数据库提供商
跟踪采用模式以指导路线图
确保在不同 Python 版本和操作系统上的兼容性

通过分享这些匿名信息，你帮助我们让 Graphiti 对整个社区变得更好。

View the Telemetry Code

Telemetry 代码可在此处查看。

How to Disable Telemetry

Telemetry 采用**选择退出（opt-out）**机制，可随时禁用。要禁用 telemetry 收集：

Option 1: Environment Variable

export GRAPHITI_TELEMETRY_ENABLED=false

Option 2: Set in your shell profile

# For bash users (~/.bashrc or ~/.bash_profile)
echo 'export GRAPHITI_TELEMETRY_ENABLED=false' >> ~/.bashrc

# For zsh users (~/.zshrc)
echo 'export GRAPHITI_TELEMETRY_ENABLED=false' >> ~/.zshrc

Option 3: Set for a specific Python session

import os

os.environ['GRAPHITI_TELEMETRY_ENABLED'] = 'false'

# Then initialize Graphiti as usual
from graphiti_core import Graphiti

graphiti = Graphiti(...)

在测试运行期间（检测到 pytest 时），Telemetry 会自动禁用。

Technical Details

Telemetry 使用 PostHog 进行匿名分析收集
所有 telemetry 操作均设计为静默失败——它们不会中断你的应用，也不会影响 Graphiti 功能
匿名 ID 存储在本地，不与任何个人信息关联

Contributing

我们鼓励并感谢各种形式的贡献，无论是代码、文档、处理 GitHub Issues，还是在 Graphiti Discord 频道中回答问题。有关代码贡献的详细指南，请参阅 CONTRIBUTING。

Support

加入 Zep Discord server)，前往 #Graphiti 频道！

27 KiB Raw Blame History Unescape Escape

Graphiti

为 AI Agent 构建时序上下文图（Temporal Context Graph）

什么是上下文图（Context Graph）？

Graphiti 与 Zep

Zep 与 Graphiti 对比

如何选择

为什么选择 Graphiti？

Graphiti 与 GraphRAG 对比

安装

安装 FalkorDB 支持

安装 Kuzu 支持

安装 Amazon Neptune 支持

你也可以将可选的 LLM 提供商作为 extra 安装：

默认低并发；LLM 提供商 429 速率限制错误

快速开始

使用 Docker Compose 运行

MCP 服务器

REST 服务

可选环境变量

数据库配置

使用自定义数据库名称的 Neo4j

使用自定义数据库名称的 FalkorDB

Kuzu

Amazon Neptune

在 Graphiti 中使用 Azure OpenAI

快速入门

在 Graphiti 中使用 Google Gemini

在 Graphiti 中使用 OpenAI 兼容提供商与本地 LLM

结构化输出与小模型

文档

Telemetry

What We Collect

What We Don't Collect

Why We Collect This Data

View the Telemetry Code

How to Disable Telemetry

Technical Details

Contributing

Support

27 KiB

Raw Blame History