动手实践：基于 Graphiti 源码定制一个具备长短期记忆的个人助理

天天进步2015

225人浏览 · 2026-04-07 08:59:49

天天进步2015 · 2026-04-07 08:59:49 发布

在构建大语言模型（LLM）驱动的个人助理时，最头疼的问题莫过于“记忆力”。传统的 RAG（检索增强生成）虽然能检索相关文档，但在处理复杂的跨度时间长、关系错综复杂的个人信息时，往往显得力不从心。

由 Zep 团队开源的 Graphiti 为这一问题提供了一个优雅的解决方案：动态知识图谱（Dynamic Knowledge Graphs）。今天，我们将深入探讨 Graphiti 的核心原理，并动手实践如何基于其源码定制一个具备真正“长短期记忆”的个人助理。

为什么选择 Graphiti？

传统的向量数据库（Vector DB）像是一张“平面”的索引，而人类的记忆是“立体”且“演化”的。Graphiti 的核心优势在于：

时态感知（Temporal Awareness）：它能理解信息随时间的变化（例如：“我以前住在北京，现在搬到了上海”）。
关系驱动：不仅记住“实体”，更记住“实体间的联系”。
自动演化：随着新对话的录入，图谱会自动更新、合并并删除过时的信息。

系统架构设计

我们要定制的个人助理架构如下：

短期记忆（Short-term Memory）：最近的对话上下文，存储在内存或快速缓存中。
长期记忆（Long-term Memory）：基于 Graphiti 构建的动态知识图谱，存储在 Neo4j 中。
提取层：利用 LLM 从对话中提取实体（Entity）和关系（Relation）。
检索层：结合语义搜索和图搜索，为 LLM 提供最相关的上下文。

动手实践：代码实现

1. 环境准备

首先，确保你安装了 Python 3.10+ 和 Neo4j（Graphiti 的主要图数据库后端）。

Bash

pip install graphiti-core

同时，你需要配置 OpenAI 或其他 LLM 的 API 密钥，因为 Graphiti 需要 LLM 来解析文本。

2. 初始化 Graphiti 客户端

Graphiti 的核心逻辑在于 Graphiti 类。我们首先建立连接：

Python

from graphiti import Graphiti

# 连接到 Neo4j
NEO4J_URI = "bolt://localhost:7687"
NEO4J_AUTH = ("neo4j", "your_password")

graphiti = Graphiti(
    neo4j_uri=NEO4J_URI,
    neo4j_auth=NEO4J_AUTH,
    openai_api_key="your_openai_api_key"
)

3. 定制化：构建记忆注入函数

为了让助理拥有“过目不忘”的能力，我们需要将每次对话内容异步存入图谱。

Python

import uuid

async def add_memory(user_id: str, text: str):
    # 为每条记忆创建一个唯一的 Episodic（情境）节点
    episode_id = str(uuid.uuid4())
    
    # Graphiti 会自动提取实体和关系，并将其织入长期的知识图谱
    await graphiti.add_episode(
        name=f"Conversation_{episode_id}",
        content=text,
        reference_id=user_id
    )
    print("记忆已存入长期图谱。")

4. 检索与记忆唤醒

当用户提问时，助理不仅要看当前的对话，还要从 Graphiti 中寻找相关的历史背景。

Python

async def chat_with_assistant(user_id: str, user_query: str):
    # 1. 从 Graphiti 检索相关上下文（基于语义和拓扑结构）
    search_results = await graphiti.search(user_query, reference_id=user_id)
    
    context = ""
    for result in search_results:
        context += f"相关事实: {result.content}\n"
    
    # 2. 构造 Prompt 给 LLM
    prompt = f"""
    你是用户的个人助理。
    以下是关于用户的已知长期记忆：
    {context}
    
    当前用户问题：{user_query}
    请结合已知信息回答。
    """
    
    # 调用 LLM 生成回答 (伪代码)
    # response = llm.generate(prompt)
    # return response

源码级定制：如何优化记忆提取？

如果你想更深度地定制助理，可以修改 Graphiti 的 Extraction Logic（位于源码的 graphiti/llm 目录下）。

实体类型定制：默认情况下，Graphiti 提取人名、地名。在个人助理场景下，你可以修改 Prompt，让它专门提取用户的“偏好”、“家庭关系”或“过敏史”。
权重演化算法：你可以修改源码中关于“衰减因子”的部分。对于经常被提及的关系（比如“最好的朋友”），增加其权重，使其在检索时更易被唤醒。

场景演示：它能记住什么？

第一天：
- 用户：“我最近在学网球，教练是王老师。”
- Graphiti 行为： 创建 用户 --正在学习--> 网球，网球 --教练是--> 王老师。
一周后：
- 用户：“我想给我的网球教练买个小礼物，有什么建议吗？”
- 助理（基于 Graphiti）： “考虑到王老师带你练网球非常专业，你可以送他吸汗带或运动护腕。”