@akshay_pachaar: 你的智能体记性很好，但理解力为零。大多数智能体记忆系统都在优化回忆能力。但更难的问题是……

你的智能体记住了所有，却什么都没理解。 大多数智能体记忆系统都在优化回忆能力。但更难的问题在于忘记什么，或者更准确地说，什么从一开始就不该存储。 默认的智能体记忆流水线将原始文本交给大语言模型，让它提取实体和关系。模型自行决定类型、标签、属性，一切都靠自己。 结果就是，知识图谱表现得像昂贵的向量存储。实体类型退化为通用标签。关系扁平化为单一的“RELATES_TO”。 图谱里确实有数据，但没有任何查询能精确地触及它们。 问题不在于检索，而在于结构。而解决办法已经在 AI 栈的其他地方反复奏效：在生成之前约束输出空间，而不是之后。 **实体**定义了智能体允许记住什么。Pydantic 模型带有类型化的字段和描述性文档字符串，用模型从未训练过的领域词汇替代了大语言模型的猜测。 **边**定义了事物如何连接。关系类型的源/目标约束意味着图谱只能形成有效的连接。如果你的模式没有连接 Project 和 Competitor 的边，那么这种关系就不会存在于记忆中。 **时序解析**处理什么曾经正确与什么现在正确之间的区别。事实解析会使过时的边失效，同时保留历史记录，因此图谱永远不会静默地提供过时的状态。 该模式在流水线的两个点（实体提取和事实提取）引导提取，而解析和时序处理则在下游自动运行。 你定义要寻找什么。系统自动处理去重、矛盾检测和时间窗口——无需额外观配置。 一个有用的约束：10 种实体类型，10 种边类型，每种类型最多 10 个字段。这迫使你建模最关键的 80%，而不是追求完备。从每种 3-4 个开始，只有当检索失败时才扩展。 Zep AI 的 Graphiti 作为一个完全开源的时序知识图谱库，做到了上述所有功能。Pydantic 定义本体论、模式引导提取、实体解析、事实解析和时序窗口开箱即用。 如果你正在构建任何具有领域特定性的智能体记忆，那么在自行开发之前值得一看。 查看详情：http://github.com/getzep/graphiti （别忘了点 star ） 没有模式约束的智能体记忆只是没有结构的存储。模式才是将一堆事实转化为可查询的领域模型的关键。 我在下方引用的文章中更深入地讨论了这一话题。