13.1K Star,超越RAG,这个AI记忆框架直接把RAG按地上摩擦了!!!

刚刚在GitHub上刷到这个叫Graphiti的东西,卧槽,简直是AI智能体的记忆神器啊!

不是我吹牛,这玩意儿解决了一个超级大的痛点。你们知道吗,以前那些RAG系统都是静态的,数据一变就得重新搞,效率低到爆炸。。。

但是这个Graphiti,居然能实时更新知识图谱???

img

AI智能体的记忆能力直接起飞1000%!这不是开玩笑的,是真的能做到连续增量更新。

emmm等等,我先理理思路。。。

好的,继续聊这个神器。

最变态的是双时态数据模型!不光记录事件发生时间,还追踪数据录入时间。想知道某个时间点AI知道啥,直接查就完事了。这设计思路。。。绝了!

跟微软那个GraphRAG比起来,简直是降维打击啊。GraphRAG还在搞批处理那套老古董,这边已经是毫秒级查询了。几十秒 vs 毫秒,差了好几个数量级好吗!

咦,突然想起来这个混合检索算法也挺吊的!Graphiti temporal walkthrough

语义向量、关键词匹配、图遍历三管齐下,不依赖LLM总结就能低延迟查询。这种思路确实比纯靠大模型总结靠谱多了。

而且!!!支持自定义实体定义,用Pydantic模型就搞定。想要什么知识结构自己定义,这灵活性。。。爱了爱了。

不过话说回来,处理矛盾信息的方式真的很巧妙。不是简单粗暴地让LLM判断对错,而是通过时态边失效机制。老信息自动标无效,新信息覆盖旧信息,逻辑清晰得很。

技术栈支持也超级全面啊!Neo4j、FalkorDB做图数据库,OpenAI、Gemini、Anthropic这些大模型都能接。还支持本地Ollama部署,想要私有化也没问题。

对了!!!最有意思的是MCP服务器功能!

直接给Claude、Cursor这些AI助手提供知识图谱记忆???相当于让AI助手有了长期记忆,不再是对话结束就失忆的智障状态了。。。

emmm这个功能听起来就很香啊。

懒人上手攻略

安装超简单的说:

pip install graphiti-core

基础用法:

from graphiti_core import Graphiti

# 初始化(改个密码别用默认的)
graphiti = Graphiti(
    "bolt://localhost:7687",
    "neo4j", 
    "password"
)

# 喂数据
await graphiti.add_episode("用户买了iPhone 15")

# 搜索关系
results = await graphiti.search("iPhone购买记录")

Docker跑起来:

docker run -p 7687:7687 neo4j:latest

是不是贼简单???

说起来这个项目的架构设计也是个狠人做的。知识图谱、时态处理、混合检索、实体管理各个模块分离得很清楚,想定制哪个功能都很方便。

性能优化做得相当变态。并行处理、缓存机制、索引优化,大数据集处理完全扛得住。企业级应用?小意思啦。

代码质量看起来也不错,测试覆盖率在持续提升。社区活跃度挺高的,Discord频道里讨论很热烈。

说实话这种实时知识图谱思路确实颠覆了传统RAG局限性啊。让AI智能体具备真正的动态记忆能力,这对构建更智能应用意义重大

项目还在疯狂迭代中,最近刚发布v0.17.2版本。从更新频率看,团队投入精力很足啊。

咦,突然想起来这个Graphiti背后是Zep团队搞的???他们专门做AI记忆层的,从学术研究到工程实现基础都很扎实。项目靠谱程度应该挺高。

emmm不过我有点好奇,这种实时更新会不会有性能瓶颈?毕竟知识图谱越来越大的话。。。

算了,先用起来再说。反正开源免费,不用白不用。

而且这种记忆能力确实是刚需啊。现在的AI助手对话结束就失忆,体验真的很糟糕。有了这个框架,终于能让AI记住之前聊过的内容了

对了,这个项目好像还在快速发展中,功能迭代很频繁。说不定过段时间就有更牛逼的特性了。

不管怎么说,这绝对是今年最值得关注的AI基础设施项目之一!没用过的兄弟赶紧去试试,用了就知道多香了。

项目地址:https://github.com/getzep/graphiti

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值