# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
您是否遇到过这样的困扰：明明搭建了完善的RAG系统，但Agent总是回答过时的信息，或者面对历史偏好变化时一脸茫然？
三个月前说喜欢激进投资策略，两周前改口要稳健配置，今天又想尝试新兴市场，传统RAG系统只能茫然地检索文档片段，根本无法理解这种动态演进。
这不是您的系统有问题，而是静态RAG天生的局限性在作祟。
传统RAG系统本质上是一个"文档图书馆"，它假设知识是固定不变的，这在处理动态业务场景时就显得力不从心了。
首先，当新信息与旧信息发生冲突时，系统无法智能地判断哪个更可信，往往会把矛盾的信息一股脑儿返回给用户。
其次，缺乏时间维度的理解让系统无法区分"用户去年的偏好"和"用户现在的需求"，导致推荐结果偏离实际情况。
在企业级应用中，这种局限性会被无限放大。
比如您在开发一个客户服务Agent，客户A在过去一年中经历了从创业公司到中型企业的转变，其需求从成本控制转向了效率提升，但传统RAG系统仍然会基于历史文档推荐成本优化方案。
这种脱节不仅影响用户体验，更可能造成业务损失。
ZEP系统的核心是Graphiti引擎，它采用了一个巧妙的三层知识图谱架构来解决传统RAG的痛点：
这种设计让系统既能保留细节，又能进行抽象推理。
ZEP最独特的创新是引入了双时间轴建模机制：
这种设计让系统能够准确处理"用户两周前提到的那个项目其实是三个月前开始的"这类复杂时间关系。
传统系统面对信息冲突时往往束手无策，而ZEP通过LLM驱动的边失效机制优雅地解决了这个问题：
这种机制让Agent能够准确回答"用户什么时候改变了偏好"这类涉及时间推理的复杂问题。
ZEP的检索系统采用了三种互补的搜索方法来最大化召回率：
这种设计特别适合处理用户询问"那个项目的进展如何"时的指代消解问题。
检索到候选结果后，ZEP使用多种重排序策略来提升精确度：
最后一步是将检索和重排序后的节点和边转换为LLM友好的文本格式：
上下文构造模板
ZEP的上下文构造模板示例，清晰标注事实的时间范围和实体信息
在Deep Memory Retrieval基准测试中：
DMR基准测试结果对比
Deep Memory Retrieval基准测试结果对比，ZEP在多个模型上都取得了最佳性能
在更具挑战性的LongMemEval测试中，ZEP的优势得到了充分体现：
LongMemEval测试结果
LongMemEval基准测试结果，ZEP显著提升准确率的同时大幅降低延迟
详细的分类结果显示，ZEP在复杂推理任务上的提升最为显著：
问题类型详细分析
LongMemEval各问题类型的详细表现分析，ZEP在复杂推理任务上优势明显
核心组件：
部署优势：
支持的LLM提供商：
优化特性：
关键优化措施：
性能指标：
为了更好地展示ZEP技术的实际应用价值，我写了一个Zep智能客服的示例。用Jina作为embedding模型
客户背景：钻石会员李总，大企业CEO，要求快速响应
历史记录：
当前投诉："我需要和你们技术总监直接沟通，这种服务质量是不可接受的！"
系统表现：
客户关系：
交互场景：
系统表现：
客户背景：王老师，5年忠诚客户，银牌会员，最近使用频率下降
风险信号："最近看到其他运营商的活动比较优惠，你们有什么挽留政策吗？"
系统表现：
核心功能模块：
主要挑战：
解决方向：
面临问题：
技术要求：
现状问题：
影响：
Zep时间感知的知识图谱架构解决了传统RAG在动态场景下的根本性局限，是个非常值得仔细研究的项目，根据Zep的官方公告，Zep Community Edition现已不再维护，核心的Graphiti动态知识图谱技术已迁移到Graphiti项目中继续开发，所以如果您打算部署，正确的地址是https://github.com/getzep/graphiti/tree/main
文章来自于“AI修猫Prompt”，作者“AI修猫Prompt”。
【开源免费】AutoGPT是一个允许用户创建和运行智能体的（AI Agents）项目。用户创建的智能体能够自动执行各种任务，从而让AI有步骤的去解决实际问题。
项目地址：https://github.com/Significant-Gravitas/AutoGPT
【开源免费】MetaGPT是一个“软件开发公司”的智能体项目，只需要输入一句话的老板需求，MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色，包括产品经理 / 架构师 / 项目经理 / 工程师，MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。
项目地址：https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md
【开源免费】FASTGPT是基于LLM的知识库开源项目，提供开箱即用的数据处理、模型调用等能力。整体功能和“Dify”“RAGFlow”项目类似。很多接入微信，飞书的AI项目都基于该项目二次开发。
项目地址：https://github.com/labring/FastGPT
【开源免费】graphrag是微软推出的RAG项目，与传统的通过 RAG 方法使用向量相似性作为搜索技术不同，GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。
项目地址：https://github.com/microsoft/graphrag
【开源免费】Dify是最早一批实现RAG，Agent，模型管理等一站式AI开发的工具平台，并且项目方一直持续维护。其中在任务编排方面相对领先对手，可以帮助研发实现像字节扣子那样的功能。
项目地址：https://github.com/langgenius/dify
【开源免费】RAGFlow是和Dify类似的开源项目，该项目在大文件解析方面做的更出色，拓展编排方面相对弱一些。
项目地址：https://github.com/infiniflow/ragflow/tree/main
【开源免费】phidata是一个可以实现将数据转化成向量存储，并通过AI实现RAG功能的项目
项目地址：https://github.com/phidatahq/phidata
【开源免费】TaskingAI 是一个提供RAG，Agent，大模型管理等AI项目开发的工具平台，比LangChain更强大的中间件AI平台工具。
项目地址：https://github.com/TaskingAI/TaskingAI
【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台，可以对大语言模型（LLM）和多模态图文模型（VLM）进行预训练和轻量级微调。XTuner 支持多种微调算法，如 QLoRA、LoRA 和全量参数微调。
项目地址：https://github.com/InternLM/xtuner
【开源免费】LangGPT 是一个通过结构化和模板化的方法，编写高质量的AI提示词的开源项目。它可以让任何非专业的用户轻松创建高水平的提示词，进而高质量的帮助用户通过AI解决问题。
项目地址：https://github.com/langgptai/LangGPT/blob/main/README_zh.md
在线使用：https://kimi.moonshot.cn/kimiplus/conpg00t7lagbbsfqkq0