Zep 提出基于时间感知知识图谱的智能体记忆架构，通过 Graphiti 引擎动态维护实体、事实及时间线。相比传统 RAG 和 MemGPT，Zep 在 LongMemEval 基准上准确率提升 18.5%，响应延迟降低 90%，Token 消耗压缩至 1.6k。核心创新包括三层图谱结构（情节、语义、社区）和双时间模型（事务时间与有效时间），解决了动态对话记忆中的过时知识、实体混淆及时序混乱问题。实验显示其在偏好问题和跨会话关联上优势明显，但在单会话助手内容细节保留上存在局限。适合长对话且需时间推理的企业级智能体场景。
Zep 提出了一种基于时间感知知识图谱的智能体记忆架构，通过 Graphiti 引擎动态维护对话和业务数据中的实体、事实及其时间线。在 LongMemEval 基准上实现了 18.5% 的准确率提升，同时将响应延迟降低了 90%，上下文 token 消耗从 115k 压缩到 1.6k。
现有架构存在根本缺陷。基于 Transformer 的大语言模型有两个天然短板：
RAG（检索增强生成）是目前最流行的补救方案，但对动态演化的对话记忆效果不佳。
| 问题类型 | 具体表现 | 根本原因 |
|---|---|---|
| 知识过时 | 用户说"我上周换了新工作"，但检索出的仍是旧公司信息 | 传统 RAG 无法追踪事实的时间有效性 |
| 实体混淆 | '小王'、'王经理'、"老王"被当成三个不同的人 | 缺乏实体解析（Entity Resolution）机制 |
| 关系丢失 | 知道张三和李四都是用户的朋友，但不知道他们俩也是朋友 | 向量检索只能捕捉语义相似性，无法建模关系 |
| 时序混乱 | 分不清"上周的会议"和"去年的会议" | 文档块丢失了原始的时间上下文 |
MemGPT 是第一个系统性解决 LLM 记忆问题的工作。它的核心洞察非常精妙：把 LLM 类比成操作系统，用虚拟内存的思路管理上下文窗口。
当上下文窗口不够用时，LLM 可以通过 function call 主动"调页"——把不重要的信息写入归档，把需要的信息从归档读取出来。这个设计让 MemGPT 在 Deep Memory Retrieval 基准上达到了 93.4% 的准确率。
但 MemGPT 有个根本局限：它本质上还是在做文本检索，只是检索策略更智能了。它无法建模实体之间的关系，也无法追踪事实随时间的演变。
Zep 的作者们意识到：与其把记忆当成"文档检索"问题，不如把它当成"知识图谱构建"问题。
对话不只是一堆文本，而是充满了结构化信息：
如果能把这些结构化信息提取出来，存进知识图谱，检索时就能回答"张三上个月推荐的那家餐厅叫什么"这种复杂问题。
Zep 的核心是 Graphiti，一个专为 LLM 智能体设计的时间感知知识图谱引擎。它的记忆系统是一个动态知识图谱 $\mathcal{G}=(\mathcal{N}, \mathcal{E}, \phi)$，其中 $\mathcal{N}$ 是节点集合，$\mathcal{E}$ 是边集合，$\phi:\mathcal{E}\to\mathcal{N}\times\mathcal{N}$ 是关联函数。
这个图谱由三层子图构成，形成一个从原始数据到高层抽象的层次结构：
情节子图是"原始记忆"层，存储未经加工的输入数据。每条消息、每段文本、每个 JSON 对象都作为一个情节节点（Episode Node）保存下来。
为什么要保留原始数据？三个原因：
每个情节节点包含三个关键字段：
$t_{ref}$ 非常重要。当用户说"我下周四有个会议"时，系统需要知道"现在"是什么时候，才能正确解析"下周四"的具体日期。
语义实体子图是"概念记忆"层，存储从情节中提取的结构化知识。它包含两类元素：
实体节点（Entity Nodes）：代表对话中提到的人物、地点、组织、概念等。每个实体节点包含：
事实边（Fact Edges）：代表实体之间的关系。每条边包含：
WORKS_FOR、IS_FRIENDS_WITH、RECOMMENDS实体提取是个经典的 NLP 问题，但在对话场景下有特殊挑战：同一个人可能有多种称呼。用户可能在不同时候说"我老板"、'王总'、'老王'，这三个指的可能是同一个人。
Zep 的解决方案是混合检索 + LLM 消歧的两阶段流程：
# 伪代码示意
Stage 1: 实体提取 (LLM) -> ["我老板", "王总", "餐厅"]
Stage 2: 候选检索 (Vector + Full-text)
Stage 3: LLM 消歧判断 -> {"is_duplicate": true, "merged_name": "王总 (王经理)"}
这个设计的好处是：向量检索和全文检索各有所长，两者结合能提高召回率；最终用 LLM 做高精度判断，避免误合并。
这是 Graphiti 最核心的创新。传统知识图谱是"静态快照"——它告诉你张三是李四的同事，但不告诉你什么时候开始、什么时候结束。
Zep 为每条事实边维护四个时间戳，形成两条独立的时间线：
| 时间线 | 时间戳 | 语义 | 用途 |
|---|---|---|---|
| 事务时间线 T' | t_created', t_expired' | 系统视角 | 数据库审计 |
| 有效时间线 T | t_valid, t_invalid | 现实世界视角 | 时间推理 |
举个具体例子：
用户在 2024 年 1 月 15 日说：'我上周从腾讯离职了，现在在 OpenAI 工作。'
系统会创建两条边：
这个双时间模型借鉴自数据库领域的 Temporal Database 理论，已经有几十年的研究历史。Zep 的贡献是把它引入 LLM 智能体记忆场景。
社区子图是"全局理解"层，通过社区检测算法把紧密相连的实体聚类成群组。
为什么需要社区？两个原因：
GraphRAG 使用 Leiden 算法做社区检测，但 Zep 选择了标签传播算法（Label Propagation），原因是支持增量更新，计算开销更小。
有了知识图谱，下一步是如何高效检索。Zep 的检索系统接受文本查询，返回格式化的上下文。
整个过程分三步：$f(\alpha) = \chi(\rho(\varphi(\alpha))) = \beta$
Zep 实现了三种互补的搜索方法：
| 搜索方法 | 符号 | 捕捉的相似性 | 实现基础 |
|---|---|---|---|
| 余弦语义相似度 | φ_cos | 语义相似 | 向量数据库 |
| BM25 全文搜索 | φ_bm25 | 词汇相似 | Lucene |
| 广度优先遍历 | φ_bfs | 上下文相似 | 图遍历 |
Zep 提供了多种重排序策略：
| 重排器 | 原理 | 优点 |
|---|---|---|
| RRF | 融合多个排序列表的倒数排名 | 简单高效 |
| MMR | 最大边际相关性 | 避免冗余 |
| Cross-encoder | 用 LLM 对每个候选打分 | 最高精度 |
最后一步是把检索到的节点和边格式化成 LLM 可读的文本。Zep 使用的模板如下：
<FACTS>
- 张三推荐了海底捞 (2024-01-15 - present)
</FACTS>
<ENTITIES>
- 张三：AI 研究员，腾讯员工
</ENTITIES>
注意两个设计细节：
论文在两个基准上评估了 Zep：DMR（Deep Memory Retrieval）和 LongMemEval。
Deep Memory Retrieval 是 MemGPT 团队提出的基准，包含 500 段多会话对话。
实验结果：
| 记忆方法 | 模型 | 准确率 |
|---|---|---|
| Recursive Summarization | GPT-4-turbo | 35.3% |
| MemGPT | GPT-4-turbo | 93.4% |
| Zep | GPT-4-turbo | 94.8% |
Zep 在两个模型上都取得了最佳成绩，但领先幅度很小。作者的自我批评非常诚实：DMR 这个基准太简单了。
LongMemEval 是一个更具挑战性的基准，对话平均长度达到 115,000 tokens。
整体结果：
| 记忆方法 | 模型 | 准确率 | 延迟 | 上下文 Tokens |
|---|---|---|---|---|
| Full-context | GPT-4o-mini | 55.4% | 31.3s | 115k |
| Zep | GPT-4o-mini | 63.8% | 3.20s | 1.6k |
| Full-context | GPT-4o | 60.2% | 28.9s | 115k |
| Zep | GPT-4o | 71.2% | 2.58s | 1.6k |
这组数据非常亮眼：
Zep 的优势领域：
Zep 的劣势领域：
这篇论文让我重新思考"AI 记忆"的本质。传统 RAG 把记忆当成"信息检索"问题。但人类的记忆远不止于此：我们会关联信息、更新信息、抽象信息。知识图谱天然支持这些操作。
大多数 RAG 研究都在卷相关性排序。但现实世界的信息天然带时间属性。Zep 的双时间模型提供了一个不错的框架，但还有很多可以探索的方向，如时间衰减、时间聚合。
理想的系统可能是混合架构：用知识图谱存储结构化信息，用原始文档存储非结构化信息，检索时结合两者。
如果你正在考虑为自己的智能体产品引入记忆功能，这里是一些实践建议：
| 场景特征 | 推荐方案 |
|---|---|
| 短对话（< 100 条消息） | Full-context，简单直接 |
| 中等对话（100-1000 条消息） | MemGPT 或简单 RAG |
| 长对话 + 需要时间推理 | Zep/Graphiti 类方案 |
| 长对话 + 需要跨会话关联 | Zep/Graphiti 类方案 |
Zep 展示了时间感知知识图谱在智能体记忆领域的巨大潜力。通过三层图谱结构和双时间模型，它在处理长对话、复杂时间推理、知识更新、跨会话关联等企业级任务时表现出色。
在 LongMemEval 基准上，Zep 实现了准确率提升 18.5%，延迟降低 90%，Token 消耗降低 98%。对于正在构建智能体产品的团队，Zep 提供了一个比纯文本检索更强大的记忆框架。是否采用取决于你的场景特征：如果对话很长、需要时间推理、有跨会话关联需求，值得一试。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online