getzep/graphiti
Build Real-Time Knowledge Graphs for AI Agents
解決的問題
Graphiti 解決了靜態知識圖譜與傳統 RAG（檢索增強生成）在處理頻繁變化的資料時的限制。它讓 AI 代理能維持一個「上下文圖」，追蹤事實隨時間的演變，確保代理能區分目前為真與過去為真的事實，而無需在新資料到達時重新計算整個圖。
工作原理
Graphiti 從結構化與非結構化資料建構時序知識圖譜。它以「劇集」（原始來源資料）作為真實性的基準，從中推導出實體與關係。每個事實都具有有效時間區間（開始與結束時間），當新資訊與舊事實矛盾時，舊事實會被失效而非刪除。此框架支援預定義的本體（透過 Pydantic 模型定義）與從資料中學習到的本體。檢索採用混合方法，結合語意嵌入、關鍵字搜尋（BM25）與圖遍歷。
適用對象
專為開發互動式、上下文感知的 AI 代理的開發者設計，適用於處理不斷演化的現實世界企業資料或使用者互動情境，其中歷史準確性與可追溯性至關重要。
核心亮點
- 時序事實管理：追蹤事實在時間上的有效性，保留歷史上下文。
- 可追溯性：每個推導出的事實都能回溯到生成它的特定「劇集」原始資料。
- 增量更新：即時整合新資料，無需批次重新處理。
- 混合檢索：結合語意、關鍵字與圖檢索，實現高精度、低延遲查詢。
- 可插拔後端：支援多種圖資料庫，包括 Neo4j、FalkorDB 與 Amazon Neptune。
相關
- 專案
- 專案
- 專案
vercel-labs/lat.mdlat.md 是一個透過 npm 分發的 CLI，為程式碼庫建立基於 Markdown 的知識圖譜。它讓您能在 `lat.md/` 中撰寫連結文件，以 `@lat` 標註原始碼檔案，並驗證圖譜。開發者與代理可離線使用 MiniLM 或遠端呼叫 OpenAI/Vercel 嵌入進行語意搜尋，並使用 `lat check`、`lat locate` 和 `lat expand` 等指令，使設計決策、限制與測試規格與程式碼保持同步。
- 專案
angelnicolasc/graymatterGrayMatter 是一個以 Go 寫成的單一二進位記憶層，專為 LLM 代理設計。它持久化儲存事實，預設以最相關的前 8 項進行檢索，並將上下文 Token 量減少約 90%。它還自動建立類型化知識圖譜，與多種 MCP 相容客戶端（Claude Code、Cursor、Codex 等）整合，並提供終端 UI 與健康檢查工具。可透過 `go install`、Homebrew、Scoop 或預先建構的二進位檔安裝；使用 CLI（`graymatter recall`、`remember`、`kg render` 等）或直接在代理程式碼中嵌入 Go 套件來使用。
- 專案
trailhq/GraftGraft 是一個開源的 TypeScript/Node.js 工具，利用 tree-sitter 進行結構化解析，並可選地使用 LLM 摘要，建立本地、基於 Markdown 的程式碼庫知識圖譜（摘要、關鍵程式碼片段、類型化連結）。圖譜快取於 `graft/` 資料夾中，僅在檔案變更時刷新，並自動整合至 Claude Code、Cursor、Codex 和 Gemini 等編碼代理。基準測試顯示，最多減少 46% 的工具呼叫、42% 的 token 消耗、60% 的延遲，並在 SWE-bench 上實現 12 點準確率提升。整合透過單一 `graft init` 命令完成，產生代理專用的指示檔案；CLI 還提供搜尋、視覺化與遙測控制功能。專案採用 MIT 授權，目標是實現更快、更低成本的 AI 輔助開發。