Criar gráficos de contexto temporal para memória do agente a partir de fatos em evolução com Graphiti
Use o Graphiti quando um agente precisar de memória de longo prazo que rastreie o que mudou, quando mudou e qual episódio de origem produziu cada fato, em vez de armazenar apenas fragmentos planos ou histórico de chat.
Pré-requisitos
Ambiente Python, biblioteca Graphiti, componentes de gráfico/banco de dados de acordo com os documentos do Graphiti, aplicação agente que possa ingerir episódios e consultar memória.
Instalação
Use o caminho de instalação ou configuração upstream que corresponda ao seu ambiente:
- 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]
Requisitos e observações dos upstream:
- | Recuperação e desempenho | Recuperação pré-configurada e pronta para produção com desempenho inferior a 200ms em escala | Implementação personalizada necessária; desempenho depende da sua configuração |
- | Ferramentas de desenvolvedor | Painel com visualização de gráfico, logs de depuração, logs de API; SDKs para Python, TypeScript e Go | Crie suas próprias ferramentas |
- Python 3.10 ou superior
Notas de uso básico ou início rápido:
-
Neo4j 5.26 / FalkorDB 1.1.2 / Kuzu 0.11.2 / Amazon Neptune Database Cluster ou Neptune Analytics Graph + Amazon
-
Coleção OpenSearch Serverless (funciona como backend de pesquisa de texto completo)
-
OpenAI API key (Graphiti usa OpenAI por padrão para inferência de LLM e incorporação)
-
Extraído de documentação upstream: https://raw.githubusercontent.com/getzep/graphiti/HEAD/README.md