发明 AI 智能体长期记忆：从「金鱼记忆」到「时序推理」—— AI智能体记忆的结构化进化
- 起点：原始尝试
- 迭代优化过程
- 问题一：信息检索不精准
- 问题二：信息会过时
- 问题三：检索结果太多、太杂
- 系统化完善
- 实体抽取与消歧
- 时间表达式解析
- 核心演化路径总结
代码：https://github.com/getzep/graphiti
起点：原始尝试
如果把用户的对话记录塞进大模型的上下文窗口，让它「记住」之前说过的话——
模型确实能回答「上周我跟你说了什么」这类问题
效果虽有，问题却很大：上下文窗口塞满11.5万token后，模型答题准确率仅 55.4%，响应延迟高达 31秒
更糟的是，对话一长，关键信息淹没在海量文本中；信息一更新，旧事实和新事实混为一谈
迭代优化过程
问题一：信息检索不精准
可问题又来了 —— 传统RAG只能做静态文档检索，语义相似≠逻辑相关
于是，你引入 三层知识图谱结构：
• Episode子图：存储原始对话消息，保留完整上下文
• Semantic Entity子图：从对话中抽取实体和关系（如「张三」-「就职于」-「公司A」）
• Community子图：用标签传播算法聚类相关实体，生成高层摘要
这样，检索时不再是「大海捞针」，而是沿着知识图谱的边精准定位
问题二：信息会过时
可问题又来了——用户说「我换工作了」，旧的就职信息怎么处理？
于是，你引入 双时序模型（Bi-temporal Model）：
• T时间线：记录事实在现实中的有效期（valid_at 到 invalid_at）
• T’时间线：记录数据何时入库、何时失效
新边入库时，系统自动对比语义相关的旧边，发现矛盾就将旧边标记为「失效」，同时保留历史记录
用户问「我 现在 在哪工作」和「我 去年 在哪工作」，系统能给出不同答案
问题三：检索结果太多、太杂
可问题又来了——三种搜索方法（余弦相似度、BM25全文检索、广度优先图遍历）各有所长，结果如何整合？
于是，你引入 多级重排机制：
• RRF融合排序：综合多路召回结果
• MMR去重：最大边际相关性，去掉冗余结果
• 提及频率排序：对话中高频出现的实体优先返回
• Cross-encoder精排：用模型对候选结果精细打分
最终，上下文从11.5万token压缩到 1600 token，信息密度提升70倍
系统化完善
实体抽取与消歧
消息入库时，系统先做命名实体识别，再用反思技术（Reflexion）减少幻觉；对抽取出的实体，通过embedding相似度+全文检索找到候选重复项，让LLM判断是否合并，避免「张三」和「老张」变成两个节点
时间表达式解析
「下周四」「两周前」这类相对时间，系统根据消息发送时间戳自动转换为绝对时间，确保时序推理准确
社区动态更新
新实体入库时，用标签传播的单步逻辑快速分配社区，延迟完整社区刷新，兼顾实时性和一致性
成就总结
恭喜你，发明了 Zep——基于时序知识图谱的智能体记忆层
在时序推理任务上提升 38.4%，跨会话任务提升 30.7%——这不仅是检索系统的升级，更是赋予AI智能体真正的「长期记忆」能力
核心演化路径总结
标题：从「金鱼记忆」到「时序推理」——AI智能体记忆的结构化进化
- 核心问题：全文上下文检索导致信息淹没、时序混乱、延迟高
- 核心解法：三层时序知识图谱（Episode→Semantic→Community）+ 双时序边失效机制
- 技术支撑：BGE-m3嵌入、Neo4j图数据库、Cross-encoder重排、标签传播社区检测
- 最终成果：准确率 +18.5%，延迟 -90%，Token -98.6%
- 本质升华：将RAG从「静态文档仓库」变成「动态演化的世界模型」，模拟人类情景记忆与语义记忆的双系统
)
