Zep 解析：用双时间知识图谱解决事实冲突

论文：Zep — A Temporal Knowledge Graph Architecture for Agent Memory（arXiv 2501.13956）

官网/文档：https://www.getzep.com/ ｜ https://help.getzep.com

记忆系统最容易被低估的难点不是「找不到」，而是「找错了」。用户三个月前说在杭州，上个月说搬到了上海——如果两条记忆都还在库里且都能被召回，系统就会随机挑一条回答。

Zep 是少数把这个问题当作核心设计目标的方案：它不试图删除旧事实，而是给每条事实标注有效期。

要点速览：双时间模型给每条事实边记录 valid_at / invalid_at——事实「过期」而非「消失」，「现在住哪」「以前住哪」「搬过几次家」三类问题都能答对；三层子图兼顾推理与回溯。LoCoMo 94.7% 为官方研究页口径，引用需带时间戳。事实频繁变化的场景，它几乎是最对口的方案。

一、三层子图结构

Zep 的知识图谱不是单一结构的图，而是三层职责明确的子图叠加：

这个分层解决了一个常见矛盾：结构化抽取会丢信息，保留原文又无法推理。 Zep 同时保留两者——语义层用于推理，情节层用于兜底验证。

二、双时间模型：允许事实「过期」而非「消失」

Graphiti（Zep 开源的核心引擎）的关键机制是给每条事实边记录两个时间：

• valid_at：该事实从何时开始成立
• invalid_at：该事实从何时起失效

当用户说「我搬到上海了」，系统不是删除「住在杭州」这条边，而是给它打上失效时间，并新建「住在上海」这条边。后果是：

• 问「用户现在住哪」→ 只召回有效边，答案正确
• 问「用户以前住哪」→ 失效边仍在，可以回答历史
• 问「用户搬过几次家」→ 沿时间轴遍历，可以完整还原

这是纯向量方案做不到的：向量库里两条相似记忆会同时被召回，系统没有依据判断哪条更「新」。

需要强调：双时间模型并不是开源 Graphiti 独有——Zep 的商业平台内置了同一套机制，且在其上做了增强。

三、公开成绩与实际差距

Zep 官方研究页公布 LoCoMo 成绩为 94.7%（1,459/1,540）。需要说明的是，这一数字与其早期论文口径（78.94%）差异较大，中间经历了多轮算法迭代；同时第三方独立复现结果往往低于官方值。因此：

• 引用时务必标注口径与时间
• 不要把它直接与其它引擎的自报数字并排比较
• 真正有意义的是「多跳」与「时间推理」两个子项上的相对优势

Zep 官方对 MemGPT 一类的对比结论是：在准确性、延迟和可扩展性上更适合生产环境。

四、集成与部署

• Graphiti 开源：底层图引擎已开源，可自托管，需要自行准备图数据库
• 框架适配：支持 LangGraph、CrewAI、AutoGen 等主流 Agent 框架
• Zep Cloud：企业级托管，提供 SOC 2 Type II 与 HIPAA BAA 合规认证
• 社区贡献：官方维护的多平台插件仓库（Claude Code / Codex / Cursor），另有社区 MCP 实现

五、代价与适用边界

适合：

• 存在大量会随时间变化的事实（住址、职位、关系状态、订阅）
• 需要回答历史状态（「当时是什么情况」）的场景
• 需要多跳关系推理的应用
• 有合规与数据驻留要求的企业

代价：

• 图构建需要额外 LLM 调用，写入延迟与成本高于纯向量方案
• 自托管要维护图数据库，运维门槛不低
• 托管方案定价偏高，个人开发者与早期项目需要评估预算
• 社区版与商业版功能存在差异，选型时要确认关键能力落在哪一侧

参考来源

• Zep 论文（时序知识图谱架构）：https://arxiv.org/pdf/2501.13956
• Zep 官方研究页（LoCoMo 成绩）：https://www.getzep.com/research/
• Graphiti 双时间模型文档：https://help.getzep.com/graphiti/getting-started/overview
• Zep 官方站：https://www.getzep.com/

勘误说明：本文早期版本引用 Zep LoCoMo 成绩为 78.94%，该数值来自论文早期口径；官方研究页当前公布值为 94.7%。两组数字不可混用，现已更正并补充口径说明。