Overview | Zep Documentation

Graphiti는 시간에 따라 진화하는 Knowledge Graph를 생성하고 쿼리하도록 설계된 시스템입니다. 기존의 Knowledge Graph가 주로 정보 검색에 활용되었던 것과 달리, Graphiti는 변화하는 관계를 처리하고 과거 컨텍스트를 유지하며 자율적으로 Knowledge Graph를 구축하는 고유한 능력을 가집니다. 이는 동적이고 시간 인지적인(temporally-aware) Knowledge Graph를 구축하여 시간에 따른 entity들 간의 복잡하고 진화하는 관계를 나타냅니다. Graphiti는 unstructured data와 structured data를 모두 ingest할 수 있으며, 그 결과로 생성된 graph는 시간, full-text, semantic, 그리고 graph algorithm 기반의 융합된(fusion) 접근 방식을 사용하여 쿼리될 수 있습니다.

핵심 방법론 및 특징은 다음과 같습니다.

* Temporal Awareness (시간 인지): Graphiti의 핵심 차별점은 temporal metadata를 포함하는 graph edge를 통해 사실(facts)과 관계의 시간적 변화를 추적하는 능력입니다. 이는 관계의 lifecycle을 기록하고 point-in-time 쿼리를 가능하게 합니다. 즉, 특정 시점의 graph 상태를 조회할 수 있습니다.
* Episodic Processing (에피소드 기반 처리): 데이터는 이산적인(discrete) episode 형태로 ingest됩니다. 이 방법론은 데이터 출처(provenance)를 유지하고 entity와 관계를 incremental하게 추출할 수 있도록 합니다. 이는 지속적인 업데이트와 동적인 데이터 흐름에 적합합니다.
* Custom Entity Types (커스텀 엔티티 타입): 사용자는 domain-specific entity type을 정의할 수 있어, 특정 애플리케이션을 위한 보다 정밀한 Knowledge Representation을 가능하게 합니다.
* Hybrid Search (하이브리드 검색): Semantic search와 BM25 full-text search를 결합한 Hybrid Search를 제공합니다. 또한, "Kendra"와 같은 중심 node로부터의 거리에 따라 검색 결과를 재정렬(rerank)하는 기능을 포함합니다. 이는 텍스트 기반 정보와 그래프 구조를 통한 관계 기반 정보 탐색을 동시에 지원합니다.
* Scalability (확장성): 대규모 dataset 처리를 위해 설계되었으며, bulk processing을 위한 LLM call의 병렬화와 이벤트의 chronology 보존에 최적화되어 있습니다. Unstructured text와 structured JSON data 모두를 ingest할 수 있습니다.
* Contradiction Handling (모순 처리): GraphRAG가 LLM-driven summarization judgment에 의존하는 반면, Graphiti는 temporal edge invalidation을 통해 모순을 처리합니다. 이는 시간의 흐름에 따라 관계의 유효성(validity)이 만료되거나 변경될 수 있음을 명시적으로 모델링합니다.

Graphiti는 LLM 기반 애플리케이션(예: 사용자 상호작용으로부터 학습하는 Assistant, 동적인 소스에서 상태 변화를 추론하여 복잡한 작업을 자율적으로 실행하는 Agent)을 구축하는 데 활용됩니다. 특히, Microsoft의 GraphRAG가 정적 문서 요약에 중점을 두고 temporal aspect를 제대로 다루지 못했던 한계를 극복합니다. Graphiti는 동적이고 자주 업데이트되는 dataset의 challenge를 해결하며, 실시간 상호작용 및 정밀한 이력 쿼리를 요구하는 애플리케이션에 적합합니다. Graphiti는 Zep의 LLM 기반 Assistant 및 Agent를 위한 context layer의 핵심을 구동합니다.