Construire des graphes de contexte temporel pour la mémoire d'agent à partir de faits évolutifs avec Graphiti
Utilisez Graphiti lorsqu'un agent a besoin d'une mémoire à long terme qui suit ce qui a changé, quand cela a changé, et quel épisode source a produit chaque fait, au lieu de stocker des morceaux plats ou un simple historique de chat.
Prérequis
Environnement Python, bibliothèque Graphiti, composants de graphe/base de données conformément à la documentation de Graphiti, application agent capable d'ingérer des épisodes et d'interroger la mémoire.
Installation
Utilisez le chemin d'installation ou de configuration en amont qui correspond à votre environnement :
- 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]
Exigences et mises en garde de l'amont :
- | Récupération et performance | Récupération préconfigurée et prête pour la production avec des performances inférieures à 200 ms à l'échelle | Implémentation personnalisée requise ; les performances dépendent de votre configuration |
- | Outils de développement | Tableau de bord avec visualisation de graphes, journaux de débogage, journaux API ; SDK pour Python, TypeScript et Go | Construisez vos propres outils |
- Python 3.10 ou version ultérieure
Notes d'utilisation de base ou de démarrage :
-
Neo4j 5.26 / FalkorDB 1.1.2 / Kuzu 0.11.2 / Amazon Neptune Database Cluster ou Neptune Analytics Graph + Amazon
-
Collection OpenSearch Serverless (sert de backend de recherche plein texte)
-
Clé API OpenAI (Graphiti utilise par défaut OpenAI pour l'inférence LLM et l'embedding)
-
Source : https://github.com/getzep/graphiti
-
Extrait de la documentation amont : https://raw.githubusercontent.com/getzep/graphiti/HEAD/README.md