Temporale Kontextgraphen für Agentenspeicher aus sich entwickelnden Fakten mit Graphiti erstellen
Verwenden Sie Graphiti, wenn ein Agent ein Langzeitgedächtnis benötigt, das nachvollzieht, was sich geändert hat, wann es sich geändert hat und welche Ursprungsepisode jede Tatsache hervorgebracht hat – anstatt nur flache Textblöcke oder Chatverlauf zu speichern.
Voraussetzungen
Python-Umgebung, Graphiti-Bibliothek, unterstützende Graph-/Datenbankkomponenten gemäß Graphiti-Dokumentation, Agentenanwendung, die Episoden aufnehmen und das Gedächtnis abfragen kann.
Installation
Verwenden Sie den für Ihre Umgebung passenden Upstream-Installations- oder Einrichtungspfad:
- docker run -p 6379:6379 -p 3000:3000 -it --rm falkordb/falkordb:latest
- pip install graphiti-core
- uv add graphiti-core
- pip install graphiti-core[falkordb]
Anforderungen und Hinweise aus dem Upstream:
- | Retrieval & Leistung | Vorkonfiguriertes, produktionsreifes Retrieval mit unter 200 ms Latenz bei skalierter Nutzung | Eigenständige Implementierung erforderlich; Leistung hängt von Ihrem Setup ab |
- | Entwicklerwerkzeuge | Dashboard mit Graphvisualisierung, Debug-Logs, API-Logs; SDKs für Python, TypeScript und Go | Eigenständige Werkzeuge bauen |
- Python 3.10 oder höher
Hinweise zur grundlegenden Nutzung oder zum Einstieg:
-
Neo4j 5.26 / FalkorDB 1.1.2 / Kuzu 0.11.2 / Amazon Neptune Database Cluster oder Neptune Analytics Graph + Amazon
-
OpenSearch Serverless Collection (dient als Backend für die Volltextsuche)
-
OpenAI API-Schlüssel (Graphiti verwendet standardmäßig OpenAI für LLM-Inferenz und Embeddings)
-
Auszug aus der Upstream-Dokumentation: https://raw.githubusercontent.com/getzep/graphiti/HEAD/README.md