Zep：一种用于智能体记忆的时序知识图谱架构

Papers with Code Trending 论文
agent-memory knowledge-graph temporal-reasoning rag llm-agents

摘要

本文介绍了 Zep，这是一种用于智能体（agent）记忆的时间知识图谱架构，在 DMR 和 LongMemEval 等基准测试中表现优于 MemGPT。文章强调了 Zep 在企业级用例中处理动态知识融合和时间推理的能力。

我们推出了 Zep，这是一种专为 AI Agent 设计的新型记忆层服务，在深度记忆检索（Deep Memory Retrieval, DMR）基准测试中，其表现优于当前最先进的系统 MemGPT。此外，Zep 在比 DMR 更全面、更具挑战性的评估中也表现出色，这些评估更能真实反映企业级应用场景。现有的基于大型语言模型（LLM）Agent 的检索增强生成（RAG）框架局限于静态文档检索，而企业级应用则要求动态整合来自不同来源的知识，包括持续的对话和业务数据。Zep 通过其核心组件 Graphiti 解决了这一根本限制——Graphiti 是一种具备时间感知能力的知识图谱引擎，能够动态合成非结构化对话数据和结构化业务数据，同时保持历史关系。在由 MemGPT 团队建立作为主要评估指标的 DMR 基准测试中，Zep 展示了更优越的性能（94.8% 对比 93.4%）。除了 DMR 之外，Zep 的能力还通过更具挑战性的 LongMemEval 基准测试得到了进一步验证，该基准测试通过复杂的时间推理任务更好地反映了企业级用例。在此评估中，与基线实现相比，Zep 取得了显著成果，准确率提升了高达 18.5%，同时响应延迟降低了 90%。这些结果在跨会话信息综合和长期上下文维护等企业关键任务中尤为显著，证明了 Zep 在实际应用部署中的有效性。
查看原文
查看缓存全文

缓存时间: 2026/05/08 08:54

论文页面 - Zep：一种面向代理记忆的时序知识图谱架构

来源：https://huggingface.co/papers/2501.13956 发布于 2025 年 1 月 20 日

摘要

Zep 是一个记忆层服务，在 DMR 基准测试和 LongMemEval 中表现优于 MemGPT，在动态知识整合与时序推理方面表现出色，这对于企业用例至关重要。

我们推出了 Zep，这是一种新颖的记忆层服务 (https://huggingface.co/papers?q=memory%20layer%20service)，专为 AI 代理设计，在深度记忆检索 (DMR) (https://huggingface.co/papers?q=Deep%20Memory%20Retrieval%20(DMR))基准测试中超越了当前最先进的系统 MemGPT (https://huggingface.co/papers?q=MemGPT)。此外，Zep 在比 DMR 更全面且更具挑战性的评估中也表现出色，这些评估更好地反映了真实的企业用例。虽然现有的基于大语言模型 (LLM) (https://huggingface.co/papers?q=retrieval-augmented%20generation%20(RAG)) 代理的检索增强生成 (RAG) (https://huggingface.co/papers?q=retrieval-augmented%20generation%20(RAG)) 框架仅限于静态文档检索，但企业应用需要从持续对话和商业数据等多样化来源进行动态知识整合。Zep 通过其核心组件 Graphiti (https://huggingface.co/papers?q=Graphiti) 解决了这一根本限制——这是一个感知时序 (https://huggingface.co/papers?q=temporally-aware) 的知识图谱引擎 (https://huggingface.co/papers?q=knowledge%20graph%20engine)，能够在保持历史关系的同时，动态综合非结构化对话数据 (https://huggingface.co/papers?q=unstructured%20conversational%20data) 和结构化商业数据 (https://huggingface.co/papers?q=structured%20business%20data)。在 MemGPT (https://huggingface.co/papers?q=MemGPT) 团队确立为主要评估指标的 DMR 基准测试中，Zep 展现出卓越的性能 (94.8% 对比 93.4%)。除了 DMR，Zep 的能力还通过更具挑战性的 LongMemEval (https://huggingface.co/papers?q=LongMemEval) 基准测试得到进一步验证，该基准通过复杂的时序推理任务更好地反映了企业用例。在此评估中，与基线实现相比，Zep 取得了显著成果，准确率最高提升了 18.5%，同时响应延迟降低了 90%。这些结果在企业关键任务中尤为突出，例如跨会话信息综合 (https://huggingface.co/papers?q=cross-session%20information%20synthesis) 和长期上下文维护 (https://huggingface.co/papers?q=long-term%20context%20maintenance)，证明了 Zep 在现实世界应用部署中的有效性。

查看 arXiv 页面 (https://arxiv.org/abs/2501.13956) 查看 PDF (https://arxiv.org/pdf/2501.13956) GitHub 25.8k stars (https://github.com/getzep/graphiti) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2501.13956)

在您的代理中获取此论文：

hf papers read 2501.13956

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2501.13956 以从此页面链接。

引用此论文的数据集 0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2501.13956 以从此页面链接。

引用此论文的 Spaces 0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2501.13956 以从此页面链接。

包含此论文的合集 9

浏览包含此论文的 9 个合集 (https://huggingface.co/collections?paper=2501.13956)

相似文章