从 GraphRAG 到实时时序知识图谱：Agent 记忆与知识检索的图时代

引言

经典 RAG 有一个被默认接受的假设：语料是静态的。文档进向量库后，检索-生成循环稳定运行。但 Agent 面对的”知识”恰恰是动态的——用户偏好会变、职位会换、订单状态会流转。传统 RAG 对此的应对是”重索引”，而重索引成本高、延迟大，且无法回答一个基本问题：“这件事什么时候开始成立、什么时候不再成立？”

知识图谱路线在 2026 年给出了更完整的答案：从微软 GraphRAG 的静态文档图谱，到 Zep 开源 Graphiti 的实时时序图谱，图结构开始成为 Agent 记忆与知识检索的核心载体。

一、GraphRAG：静态文档的全局视角

微软 GraphRAG（开源）解决了经典 RAG 的两个痛点：全局性问题（“整个文档集的主题是什么”）与多跳推理。流程是：抽取实体-关系 → 构建社区分层 → LLM 生成社区摘要 → 查询时走 local search（实体邻域）或 global search（社区摘要）。

但 GraphRAG 的代价也很明确：批处理式建图需要大量顺序 LLM 调用，语料一变就要重跑；时间维度只有粗粒度的时间戳；矛盾事实靠”摘要时由 LLM 判断”，不可追溯。它是为静态文档语料设计的，适合知识库问答、文档综述，不适合高频变化的业务事实。

二、Graphiti：为动态事实而生的时序图谱

Graphiti 是 Zep 开源的知识图谱框架（pip install graphiti-core），核心抽象是 episode（片段）：一段原始输入（对话记录、文档、JSON 消息）作为溯源节点进入图谱，触发三条并发流水线：

实体抽取：LLM 结构化输出（Pydantic 约束 schema），抽取实体与关系；
向量化：为语义检索生成 embedding；
实体消解：余弦相似度聚类，把”Mike”与”Michael”归并为同一节点。

关键创新在双时间模型（bi-temporal）：

事件时间（valid_at / invalid_at）：事实在真实世界成立的时间段；
事务时间（created_at / expired_at）：图谱”得知”该事实及被取代的时间。

当新 episode 引入冲突事实时，系统不删除旧边，而是打上失效时间戳并新建边。“Sarah 是 CEO”在 3 月 3 日失效，“Mike 是 CEO”同日生效——查 2 月的问题返回 Sarah，查当前的问题返回 Mike，且每条事实都能追溯到产生它的原始 episode（溯源/审计天然成立）。

# Graphiti 最小示例：写入一段对话并查询
import asyncio
from graphiti_core import Graphiti
from graphiti_core.llm_client import OpenAIClient

async def main():
    graphiti = Graphiti(
        "bolt://localhost:7687", "neo4j", "password",
        llm_client=OpenAIClient()
    )
    await graphiti.build()
    # 写入 episode（用户偏好发生变化）
    await graphiti.add_episode(
        "Kendra prefers Adidas shoes (as of March 2026).",
        source="conversation", reference_time="2026-03-01"
    )
    # 查询当前偏好
    results = await graphiti.search("Kendra's current shoe preference")
    print(results)

asyncio.run(main())

三、GraphRAG vs Graphiti：一张表看清定位

维度	GraphRAG	Graphiti
主要用途	静态文档总结	动态数据管理
数据处理	批处理、全量重跑	增量、实时更新
知识结构	实体簇 + 社区摘要	episode 溯源 + 语义实体 + 社区
检索方式	顺序 LLM 摘要	语义 + 关键词 + 图遍历混合（查询路径无 LLM）
时间处理	基础时间戳	显式双时间模型
矛盾处理	LLM 摘要判断	时间边失效机制
典型延迟	秒级到数十秒	亚秒级

工程上的直观收益（社区实测）：相比全量对话重放，图谱检索能把送入上下文的 token 压到约 2%、延迟降低约 90%——因为查询路径不再需要 LLM 参与，纯图遍历 + 向量命中即可。

四、混合架构：向量、图谱与 KV 各司其职

2026 年的生产共识是三者互补而非互斥：

向量库负责”相似内容”检索（语义模糊匹配）；
知识图谱负责”关联推理”（多跳、时间、反事实）；
KV/关系库负责精确结构化查询（订单状态、配置项）。

记忆整合层按查询类型路由：事实性快问走 KV、开放语义问题走向量、关系与时序问题走图谱。Zep 的托管平台（Graphiti 之上的商业化层）提供的正是这套封装：治理、仪表盘、亚 200ms 托管检索与 SLA。

五、选型建议

场景	方案
固定文档集的知识库问答 / 综述	GraphRAG（含 nano-graphrag 等轻量实现）
用户偏好 / 业务状态频繁变化	Graphiti（或 Zep 托管）
需要事实溯源审计（合规）	图谱方案（episode 溯源是天然审计日志）
多跳推理密集的复杂问答	向量 + 图谱混合，图谱兜底关系查询

结语

GraphRAG 证明了”图能让 LLM 看见文档集的全局结构”，Graphiti 则把这份结构从静态快照升级为随时间演化的活知识。对 Agent 而言，后者才是记忆该有的形态：记得住”现在的事实”，也想得起”曾经的事实”，还能说清”每条事实从哪来”。当记忆库能回答时间和来源问题，Agent 才真正跨过了”像人一样会记错”到”比人更可靠地记得”的分界线。