Graphiti

En el Radar compartido: Trial (valoración de la edición aportada).

Cómo funciona

Incorpora episodios y deriva entidades y relaciones con ventanas temporales. Combina búsqueda semántica, textual y recorridos del grafo para recuperar contexto.

Ejemplo de uso

Registrar que una cuenta cambió de asesor en septiembre. Una consulta actual recupera al nuevo responsable; una auditoría histórica puede recuperar la relación vigente en agosto.

Modelo bitemporal

Cada relación (arista) guarda dos líneas de tiempo:

Línea temporal	Campos	Responde a
Validez	valid_at, invalid_at	¿Cuándo fue cierto este hecho en el mundo?
Transacción	created_at, expired_at	¿Cuándo lo supo el sistema y cuándo lo dejó de considerar vigente?

Cuando llega información contradictoria («desde septiembre el asesor es Ana»), Graphiti no borra la relación anterior: la invalida con fecha, de modo que se puede reconstruir el estado en cualquier momento.

Ejemplo de uso

from datetime import datetime, timezone
from graphiti_core import Graphiti
from graphiti_core.nodes import EpisodeType

graphiti = Graphiti("bolt://localhost:7687", "neo4j", "password")
await graphiti.build_indices_and_constraints()

await graphiti.add_episode(
    name="reasignacion-cuenta-42",
    episode_body="La cuenta 42 pasa a ser atendida por la asesora Ana Ruiz desde el 1 de septiembre.",
    source=EpisodeType.text,
    source_description="CRM, nota del supervisor",
    reference_time=datetime(2026, 9, 1, tzinfo=timezone.utc),
    group_id="cliente-42",
)

resultados = await graphiti.search("¿Quién atiende la cuenta 42?", group_ids=["cliente-42"])
for arista in resultados:
    print(arista.fact, arista.valid_at, arista.invalid_at)

Los episodios pueden ser texto, mensajes de chat o JSON estructurado. Un LLM extrae entidades y relaciones; el grafo se guarda en Neo4j, FalkorDB, Kuzu o Amazon Neptune.

Búsqueda híbrida

La recuperación combina similitud semántica (embeddings), búsqueda por palabras clave (BM25) y recorrido del grafo desde un nodo central, con reordenación de resultados. Esto reduce la dependencia de llamadas al LLM en el momento de consulta, lo que mejora la latencia.

Tipos de entidad propios

Se pueden definir entidades con modelos de Pydantic (por ejemplo Cliente, Credito, Asesor con sus atributos) para que la extracción produzca un esquema coherente en lugar de entidades genéricas.

Cuándo usarlo frente a otras memorias

Necesidad	Opción
Buscar fragmentos de documentos estáticos	RAG con vector store
Responder preguntas globales sobre un corpus	GraphRAG
Memoria de agente que cambia con el tiempo	Graphiti

Incluye un servidor MCP para usarlo como memoria desde asistentes y agentes de código.

Criterios de implementación

Validar contradicciones y errores de extracción. Elegir un backend compatible, fijar versiones y aplicar aislamiento por usuario o organización; no asumir latencias universales.