在 AI Agent （像是聊天機器人、會話助手）需要隨時間變化追蹤狀態與知識更新的情況下，傳統的檔案檢索法（Retrieval-Augmented Generation, RAG）常因為資料滯後或靜態摘要而表現不佳。Graphiti 是由 Zep 團隊打造的開源 Python 框架，專門用來建構與查詢具「時間維度」（temporal awareness）的知識圖譜，能持續整合用戶互動、商業資料與結構或非結構化資訊，保持歷史狀態與改變的可追蹤性。
核心特色
-
時間感知（Temporal Knowledge Graphs）：Graphiti 不只是記錄「什麼資料」，更記錄資訊「何時發生」與「何時被接收／失效」，讓 AI 能針對過去某個時間點的狀態或關係做查詢與推理。
-
資料持續更新，不需重建整個圖：當有新資料進來，系統可以增量更新知識圖，不用每次都完全重新計算。這樣能支援高頻率、動態資料來源（如聊天、用戶操作、日誌等）。
-
混合檢索機制：同時支援語義搜尋、關鍵字搜尋（keyword match），以及圖遍歷（graph-based search）的方法，以提升檢索精準度與效率。
-
支援多種資料庫後端：Graphiti 可以配合 Neo4j、FalkorDB、Kuzu、Amazon Neptune 等後端使用。這樣開發者可根據需求與基礎設施選擇最合適的後端。
-
MCP Server 的整合：Graphiti 提供 MCP Server（Model Context Protocol server）實現，可讓 AI 助手（如與 Claude、Cursor 等）透過 MCP 使用知識圖譜的記憶與查詢功能。
限制與挑戰
雖然 Graphiti 功能強大，但也有一些要注意的地方：
-
學習曲線：因為涉及知識圖譜、時間維度、資料庫設置、混合檢索等技術，對沒有 Graph 或資料庫經驗的開發者會比較吃力。
-
資料規模與延遲：在超大規模資料（很多結構與非結構資料、高頻更新）時，雖然 Graphiti 支援增量與效能優化，但硬體與資料庫後端（如 Neo4j vs FalkorDB 等）的選擇仍會顯著影響表現與成本。
-
成本與資源需求：要運作一個良好的 Graphiti 系統，需要有穩定的後端資料庫設施、LLM 提供者（例如 OpenAI、Anthropic 等）、監控與維運的能力。
結論
Graphiti 是一款為動態與頻繁變動資料設計的開源框架，它在記憶、推理與上下文保持上的能力比傳統 RAG 更強。對於需要 AI 助手能夠隨時間追蹤事件、理解過去狀態與持續更新知識的專案來說，Graphiti 是非常值得考慮與實驗的選項。
