Graphiti: революция темпоральных графов знаний для AI-агентов
Graphiti — фреймворк для построения и запросов к темпоральным графам знаний, специально созданный для AI-агентов, работающих в динамических средах.
В отличие от традиционных методов RAG, Graphiti непрерывно интегрирует пользовательские взаимодействия, структурированные и неструктурированные корпоративные данные в целостный, запрашиваемый граф.
Ключевые преимущества:
• Инкрементальные обновления в реальном времени: интеграция новых данных без пакетного пересчета
• Би-темпоральная модель данных: точное отслеживание времени событий и времени загрузки
• Эффективный гибридный поиск: сочетает семантические вложения, ключевые слова (BM25) и обход графа
• Настраиваемые определения сущностей: через простые Pydantic-модели
• Масштабируемость: эффективное управление большими наборами данных с параллельной обработкой
Практическое применение:
• Интеграция и поддержание динамических пользовательских взаимодействий и бизнес-данных
• Облегчение рассуждений на основе состояния и автоматизации задач для агентов
• Запрос сложных, развивающихся данных с помощью семантического, ключевого и графового поиска
Graphiti лучше всего работает с LLM-сервисами, поддерживающими структурированный вывод (например, OpenAI и Gemini). Использование других сервисов может привести к некорректным схемам вывода и сбоям при загрузке, особенно при использовании небольших моделей.
Сравнение с GraphRAG:
Graphiti специально разработан для решения проблем динамических и часто обновляемых наборов данных:
• Обработка данных: Непрерывные обновления vs Пакетная обработка
• Структура знаний: Эпизодические данные и семантические сущности vs Кластеры сущностей
• Метод поиска: Гибридный семантический и графовый поиск vs Последовательное LLM-суммирование
• Временная обработка: Явное би-темпоральное отслеживание vs Базовое отслеживание временных меток
• Скорость исполнения запросов: Обычно менее секунды vs Секунды или десятки секунд
Детальнее как это работает на практике можно почитать в статье:
"Zep: A Temporal Knowledge Graph Architecture for Agent Memory".
Проект активно развивается, поддерживает различные LLM-провайдеры и имеет MCP-сервер, позволяющий AI-ассистентам взаимодействовать с возможностями графа знаний через протокол MCP. Также доступен REST API-сервис на FastAPI для взаимодействия с Graphiti API.
#Graphiti #KnowledgeGraphs #RAG
———
@tsingular
Graphiti — фреймворк для построения и запросов к темпоральным графам знаний, специально созданный для AI-агентов, работающих в динамических средах.
В отличие от традиционных методов RAG, Graphiti непрерывно интегрирует пользовательские взаимодействия, структурированные и неструктурированные корпоративные данные в целостный, запрашиваемый граф.
Ключевые преимущества:
• Инкрементальные обновления в реальном времени: интеграция новых данных без пакетного пересчета
• Би-темпоральная модель данных: точное отслеживание времени событий и времени загрузки
• Эффективный гибридный поиск: сочетает семантические вложения, ключевые слова (BM25) и обход графа
• Настраиваемые определения сущностей: через простые Pydantic-модели
• Масштабируемость: эффективное управление большими наборами данных с параллельной обработкой
Практическое применение:
• Интеграция и поддержание динамических пользовательских взаимодействий и бизнес-данных
• Облегчение рассуждений на основе состояния и автоматизации задач для агентов
• Запрос сложных, развивающихся данных с помощью семантического, ключевого и графового поиска
Graphiti лучше всего работает с LLM-сервисами, поддерживающими структурированный вывод (например, OpenAI и Gemini). Использование других сервисов может привести к некорректным схемам вывода и сбоям при загрузке, особенно при использовании небольших моделей.
Сравнение с GraphRAG:
Graphiti специально разработан для решения проблем динамических и часто обновляемых наборов данных:
• Обработка данных: Непрерывные обновления vs Пакетная обработка
• Структура знаний: Эпизодические данные и семантические сущности vs Кластеры сущностей
• Метод поиска: Гибридный семантический и графовый поиск vs Последовательное LLM-суммирование
• Временная обработка: Явное би-темпоральное отслеживание vs Базовое отслеживание временных меток
• Скорость исполнения запросов: Обычно менее секунды vs Секунды или десятки секунд
Детальнее как это работает на практике можно почитать в статье:
"Zep: A Temporal Knowledge Graph Architecture for Agent Memory".
Проект активно развивается, поддерживает различные LLM-провайдеры и имеет MCP-сервер, позволяющий AI-ассистентам взаимодействовать с возможностями графа знаний через протокол MCP. Также доступен REST API-сервис на FastAPI для взаимодействия с Graphiti API.
#Graphiti #KnowledgeGraphs #RAG
———
@tsingular
🔥5⚡1
Гермесоводы, держите лайфхак.
Команда /learn обычно используется для создания навыков.
Но ведь агент то свободный и ему через эту команду можно скормить и другую смежную задачу - написать для себя плагин!
На примере темпоральной графовой памяти:
Кстати, по ходу выяснилось, что модель экстракции: Qwen3.8-27B-8bit нестабильна на json_schema-промптах Graphiti (1 из 3 пустых), Gemma-4-31B-it-MLX-8bit стабильна (3 из 3) — конфиг переключён на неё
Может кому полезно будет.
#lifehack #memory #learn #hermes #graphiti
------
@tsingular
Команда /learn обычно используется для создания навыков.
Но ведь агент то свободный и ему через эту команду можно скормить и другую смежную задачу - написать для себя плагин!
На примере темпоральной графовой памяти:
/learn установи, изучи, напиши под неё себе плагин по руководству
https://hermes-agent.nousresearch.com/docs/developer-guide/memory-provider-plugin
на все полезные сценарии и используй
https://github.com/getzep/graphiti
Кстати, по ходу выяснилось, что модель экстракции: Qwen3.8-27B-8bit нестабильна на json_schema-промптах Graphiti (1 из 3 пустых), Gemma-4-31B-it-MLX-8bit стабильна (3 из 3) — конфиг переключён на неё
Может кому полезно будет.
#lifehack #memory #learn #hermes #graphiti
------
@tsingular
Nousresearch
Memory Provider Plugins | Hermes Agent
How to build a memory provider plugin for Hermes Agent
🔥17✍9⚡3❤1
Graphiti: обзор, руководство и личный опыт с Гермесом
После недели использования новой памяти, решил подготовить для вас мастер-класс по Graphiti: как устроен темпоральный граф знаний, как развернуть его полностью у себя локально и как подключить к Hermes Agent.
Разобрал исходный код версии 0.31.0, документацию и MCP-сервер.
Проверил на стенде без облачных интеграций: локальная LLM, локальные эмбеддинги, встроенная FalkorDB Lite.
Подключил к Hermes и посмотрел, что накопилось за пять дней работы.
Что получилось:
🕰 Graphiti (память, которая, благодаря меткам времени, знает, когда именно факт был правдой): у каждого факта две оси времени.
Новое не стирает старое, а перекрывает его датой.
Слабое место, - без фильтра поиск отдаёт закрытые факты наравне с действующими.
🏠 On-premise работает, можно отключить телеметрию и явно локализовать все три клиента: LLM, эмбеддинги и реранкер.
Иначе библиотека молча создаёт облачные клиенты по умолчанию.
Запись накладная по ресурсам: 2–4 вызова модели на реплику плюс по одному на каждый извлечённый факт, 10–30 секунд в фоне.
🤖 Hermes Agent: плагин памяти агент быстро написал сам по одному запросу /learn.
А вот дальше код-ревью нашел 8 ошибок, главная, - память всех чатов писалась в общую группу.
Ещё находка по ходу, - Qwen3.8 выдавала пустые извлечения в трети-половине вызовов, Gemma-4-31B работала стабильно.
🧭 Еще добавил разбор аналога, - Utopia (корпоративная база знаний на Rust и Postgres): устаревшие факты закрывают аксиомы онтологии, а записи агента ждут подтверждения человека.
Главные выводы:
Темпоральная память штука полезная, но настраивать её нужно аккуратно, иначе можете поймать симптомы подтасовки фактов из-за некорректных областей или слетевших фильтров времени или тестовые фразы, записанные в рабочую память во время настройки, через пять дней могут стать «знаниями» агента.
ВАЖНО: При миграции или системных работах с памятью ставьте саму память на паузу иначе забьёте её дубликатами и мусором.
В презентации есть готовый / learn-промпт, чтобы пройти этот путь без наших ошибок.
Презентация и чистый полный промпт в ИИзбранном.
Обсудим там же в эфире сегодня
#graphiti #память #агенты #презентации #руководства
———
@tsingular
После недели использования новой памяти, решил подготовить для вас мастер-класс по Graphiti: как устроен темпоральный граф знаний, как развернуть его полностью у себя локально и как подключить к Hermes Agent.
Разобрал исходный код версии 0.31.0, документацию и MCP-сервер.
Проверил на стенде без облачных интеграций: локальная LLM, локальные эмбеддинги, встроенная FalkorDB Lite.
Подключил к Hermes и посмотрел, что накопилось за пять дней работы.
Что получилось:
🕰 Graphiti (память, которая, благодаря меткам времени, знает, когда именно факт был правдой): у каждого факта две оси времени.
Новое не стирает старое, а перекрывает его датой.
Слабое место, - без фильтра поиск отдаёт закрытые факты наравне с действующими.
🏠 On-premise работает, можно отключить телеметрию и явно локализовать все три клиента: LLM, эмбеддинги и реранкер.
Иначе библиотека молча создаёт облачные клиенты по умолчанию.
Запись накладная по ресурсам: 2–4 вызова модели на реплику плюс по одному на каждый извлечённый факт, 10–30 секунд в фоне.
🤖 Hermes Agent: плагин памяти агент быстро написал сам по одному запросу /learn.
А вот дальше код-ревью нашел 8 ошибок, главная, - память всех чатов писалась в общую группу.
Ещё находка по ходу, - Qwen3.8 выдавала пустые извлечения в трети-половине вызовов, Gemma-4-31B работала стабильно.
🧭 Еще добавил разбор аналога, - Utopia (корпоративная база знаний на Rust и Postgres): устаревшие факты закрывают аксиомы онтологии, а записи агента ждут подтверждения человека.
Главные выводы:
Темпоральная память штука полезная, но настраивать её нужно аккуратно, иначе можете поймать симптомы подтасовки фактов из-за некорректных областей или слетевших фильтров времени или тестовые фразы, записанные в рабочую память во время настройки, через пять дней могут стать «знаниями» агента.
ВАЖНО: При миграции или системных работах с памятью ставьте саму память на паузу иначе забьёте её дубликатами и мусором.
В презентации есть готовый / learn-промпт, чтобы пройти этот путь без наших ошибок.
Презентация и чистый полный промпт в ИИзбранном.
Обсудим там же в эфире сегодня
#graphiti #память #агенты #презентации #руководства
———
@tsingular
🔥9✍7❤3⚡2❤🔥1