ZEP深度解析：时序知识图谱如何革新AI记忆

"Agents don't fail because the model is bad. They fail because they don't have the right context."

传统的 AI 代理常常面临"健忘"问题——它们只能看到当前的对话，无法了解用户的过去。这就是 ZEP 要解决的问题。

核心战绩

根据 Zep 团队发表于 arXiv 的论文（2501.13956）：

Benchmark	Zep	MemGPT	提升
DMR (Deep Memory Retrieval)	94.8%	93.4%	+1.4%
LongMemEval (enterprise)	+18.5% 准确率	baseline	显著
延迟	-90%	baseline	数量级

注意：Zep 声称在更复杂的企业场景（跨会话信息合成、长期上下文维护）提升更明显。这才是关键。

什么是 ZEP？

ZEP 是一个上下文工程平台（Context Engineering），由 Hippo Labs 开发。它的核心使命是：为 AI 代理提供持久化、个性化、可检索的记忆能力。

Zep assembles the right context from chat history, business data, and user behavior. Build personalized, fast, and reliable agents.

核心技术：Temporal Context Graph

ZEP 的核心创新是 Temporal Context Graph（时序知识图谱）。与传统 RAG 不同，它不仅存储静态文档，还能：

追踪事实变化：当用户偏好改变时，旧事实被标记失效而非简单覆盖
建立实体关联：自动提取对话中的实体和关系
保持时间维度：每个事实都有有效时间范围，支持时间旅行式检索

三大核心概念

┌─────────────────────────────────────────────────────────┐
│                    Context Graph                        │
├─────────────────────────────────────────────────────────┤
│  Entities (Nodes)                                       │
│  - 人、产品、政策、概念                                  │
│  - 带时间演化的 summaries                                │
├─────────────────────────────────────────────────────────┤
│  Facts / Relationships (Edges)                          │
│  - 三元组: Entity → Relation → Entity                   │
│  - 关键：每个 fact 有 validity window                   │
│  - 事实变化时，旧事实标记失效而非删除                    │
├─────────────────────────────────────────────────────────┤
│  Episodes (Provenance)                                  │
│  - 原始摄入数据                                         │
│  - 每个导出 fact 都可以追溯到 source                    │
└─────────────────────────────────────────────────────────┘

时序事实管理示例

# 示例：用户偏好变化
# 2024-09: "Robbie 只穿 Adidas 鞋" → valid
# 2024-10: "Robbie 的 Adidas 鞋坏了" → valid
# 2024-10: "Robbie 改穿 Nike" → 旧事实自动失效

关键设计：

Bi-temporal tracking（双时态追踪）
Automatic fact invalidation（事实自动失效）
Temporal history preserved（历史可查询）

三大核心功能

1. Ingest（数据摄取）

支持从多个数据源摄取：

聊天历史
业务数据（JSON）
文档
应用事件

2. Graph（图谱构建）

自动从数据中提取实体、关系和事实，构建统一的知识图谱。

3. Assemble（上下文组装）

根据需求检索相关上下文，格式化为 LLM 可直接使用的提示。

混合检索策略

Graphiti 的检索不是单纯的向量搜索，而是三层融合：

Hybrid Retrieval = 
  - Semantic (embedding similarity)
  - Keyword (BM25)
  - Graph traversal (关系路径)

这解决了单纯向量检索的"语义相近但事实不符"问题。

对比 GraphRAG

维度	GraphRAG	Graphiti
数据处理	批量	增量实时
知识结构	实体簇+摘要	时序图谱+validity windows
检索	LLM 汇总（秒级）	混合搜索（亚秒级）
事实矛盾	LLM 判断	自动失效机制
自定义实体	❌	✅ Pydantic

多后端支持（工程亮点）

# 图数据库：Neo4j / FalkorDB / Kuzu / Amazon Neptune
# LLM: OpenAI / Azure / Anthropic / Gemini / Ollama
# Embedding: OpenAI / Voyage / Gemini

Ollama 支持是亮点——本地部署隐私场景。

# Ollama 示例
llm_client = OpenAIGenericClient(config=LLMConfig(
    model="deepseek-r1:7b",
    base_url="http://localhost:11434/v1"
))

代码示例

只需三行代码即可集成：

# 添加消息并获取上下文
response = client.thread.add_messages(
    thread_id=thread_id,
    messages=messages,
    return_context=True
)
print(response.context)

返回的上下文已经过格式化：

<USER_SUMMARY>
Emily Painter is a user with account ID Emily0e62...
</USER_SUMMARY>

<FACTS>
- Emily is experiencing issues with logging in. (2024-11-14 - present)
- User account Emily0e62 has a suspended status due to payment failure.
</FACTS>

MCP 生态

Graphiti 官方提供 MCP Server，意味着：

Claude / Cursor 可以直接调用 Graphiti 的记忆能力
AI 助手原生具备"记忆"功能

# 一键部署
docker compose up mcp-server

开源：Graphiti

ZEP 的底层库 Graphiti 已开源：

GitHub: github.com/getzep/graphiti
24.7k stars
支持 TypeScript、Python、Go

怎么选？

场景	推荐
生产环境、要 SLA	Zep (托管服务)
自托管、定制强	Graphiti (开源)
简单聊天记忆	MemGPT
文档问答	传统 RAG / GraphRAG

总结

ZEP 解决了 AI 代理的"上下文缺失"问题：

从聊天记忆 → 全面上下文（整合业务数据）
从静态 RAG → 时序知识图谱（追踪变化）
从慢速检索 → 200ms 精准检索

Zep 的价值不在于"存储更多聊天记录"，而在于：

事实时间维度：解决"用户说过 X 但后来变了"的矛盾
混合检索：向量+关键词+图谱，解决语义漂移
来源追溯：每个事实可追溯，增强可信度
MCP 原生：AI 助手可以直接"继承"记忆能力

24.7k stars 的开源项目，值得深入。

References: arXiv:2501.13956, github.com/getzep/graphiti, getzep.com