Графы знаний и темпоральные графы: дайджест @kdoronin_blog

Сборка по постам Кости Доронина (канал @kdoronin_blog) за июль 2025 — май 2026. 26 постов про Graphiti, Hindsight, Mem0 и темпоральные графы как слой памяти AI-агентов.

TL;DR

• Темпоральный граф = граф знаний, в котором у каждого ребра есть привязка ко времени: когда возникло, как менялось, когда стало неактуальным.
• Это не замена векторному RAG, а другой слой памяти — для динамики отношений между сущностями.
• На рынке три рабочих фреймворка: Graphiti (Zep) — кастом, Hindsight — из коробки, Mem0 — векторка + граф как довесок.
• В бизнесе помогает там, где факты стареют: клиенты, кадры, цены, отношения, регулятивные изменения.
• Подводные камни: дорого по API, медленно (10–15 сек/эпизод), LLM сама додумывает даты, лимит 10 кастомных сущностей, нужен кастомный загрузчик архивов.

Что такое темпоральный граф

«Темпоральный граф — это граф, рёбра которого имеют привязку ко времени. Это отличное решение, когда нужно проанализировать взаимоотношения между сущностями и изменения этих отношений во времени» (пост от 5 января 2026)

Главное отличие от обычного графа знаний / GraphRAG: сохраняется не только «кто с чем связан», но и полная история связи. Если факт «директор X = Иванов» сменился на «директор X = Петров» — старое ребро не удаляется, а помечается невалидным с конкретной датой. Можно спросить графу «а кто был директором в марте 2025?» — и получить честный ответ.

Костин тезис из вводного поста:

«Люди — существа непостоянные. У них постоянно всё меняется. Особенно что касается отношений к товарам, услугам и компаниям. Graphiti предлагает сохранять не только статические данные в графах знаний, но также привязывать их к конкретному моменту времени.»

Стек 1: Graphiti (Zep)

Что это технически

• Надстройка над Neo4j или FalkorDB — переходить на новую БД не нужно.
• Два типа узлов: Episode (входящие события, что подаём в граф) и Entity (сущности, которые LLM выделяет сама).
• Связи между сущностями: MENTIONS (эпизод → сущность) и RELATES_TO (между сущностями).
• Из коробки — MCP-сервер и REST API. Подключается к Claude Code, Cursor, Goose, любому AI-агенту.
• Базовая технология — research paper от Zep (есть на arxiv).

Дефолтные модели (можно поменять)

На эксперименте Кости (55 сообщений из TG) — потратилось ~$0.5 на API, граф вышел 112 сущностей + 89 продвинутых связей.

Скорость

«Добавление одного эпизода занимает, в среднем, 10–15 секунд. Это обязательно стоит учитывать, когда система поставляет больше, чем 4–7 эпизодов в минуту.»

Чем «сложнее» эпизод (больше потенциальных сущностей) — тем дольше его добавление.

Как ускорить

Две техники из поста про оптимизацию:

1. Bulk-операция — пачкой. Минус: не перестраивает связи между узлами, годится только для первичной загрузки.
2. Параллельный runtime через env:

   USE_PARALLEL_RUNTIME=true
   SEMAPHORE_LIMIT=10

   У Кости с SEMAPHORE_LIMIT=30 загрузилось 485 эпизодов за 8 минут. Подводный камень: эпизоды, обработанные параллельно, не связываются между собой — не отправляйте одновременно связанные эпизоды.

Кастомные сущности через Pydantic

По умолчанию Graphiti сам решает, какие сущности извлекать. Но можно заранее погрузить его в предметную область:

1. Определить кастомные типы узлов через Pydantic.
2. Определить кастомные типы связей.
3. Указать, между какими узлами какие связи возможны.
4. У сущностей и у связей могут быть свои поля.

Жёсткий лимит: максимум 10 кастомных сущностей на граф. Костин обход — заводить «кастомные эпизоды» на уровне приложения, каждый со своим набором Pydantic-схем (10 сущностей на эпизод).

Три способа извлечения данных

Через параметр source=EpisodeType.*:

1. plain_text — любой неструктурированный текст. Худший вариант, режет качество.
2. message — сообщение в диалоге. Норм.
3. json — структурированные данные. Лучший вариант, процесс становится предсказуемым.

«Использовать plain text стоит только в крайних случаях.»

Стек 2: Hindsight

Open Source, ставится из docker одной командой. Достаточно положить API-ключ OpenAI (или поднять на локальных моделях).

Четыре типа памяти:

1. Факты о мире — из документов, которые загружает пользователь.
2. Опыт агента — что агент делал, какие давал рекомендации.
3. Мнения — суждения агента с показателем уверенности 0..1. Чем ниже — тем выше шанс пересмотра.
4. Наблюдения — сводки о сущностях, формирует в фоне.

«Модель достаточно быстро формирует записи в графе. 1000+ воспоминаний загрузились буквально за пару минут. Что достаточно быстро для темпорального графа.»

Минусы:

• Документация почти отсутствует.
• Все концепции зафиксированы, тонкой настройки нет.
• Извлечение из системы — медленное.

Graphiti vs Hindsight: что выбрать

«А всем, кто только начинает взаимодействие с темпоральными графами и хочет понять преимущества от хранения данных таким образом, я советую выбрать Hindsight. Установка + настройка за 10–15 минут и уже можно работать.»

Костя в итоге использует оба.

Стек 3: Mem0 — почему НЕ темпоральный граф

Mem0 специализируется на векторной памяти (Qdrant и т.п.). Граф — как вспомогательная структура.

Костин кейс:

1. «Я живу в стране X» → сохраняет «пользователь живёт в X».
2. «Я живу в городе N» → сохраняет «пользователь живёт в N». Новое ребро.
3. «До Y года я жил в M» → сохраняет «пользователь живёт в M», удаляя при этом связи из п.1 и п.2.

Итог: два важных узла, висящих без связей. Mem0 даёт AI-агенту право удалять рёбра — и мусор копится.

В Graphiti того же сценария нет: даже если факт записан ошибочно, можно сказать «нет, на самом деле так» — и Graphiti просто пометит старое ребро как невалидное.

Кейсы применения в бизнесе

Кейс 1. Память о клиентах (база)

«Чем больше вы знаете о клиентах и их взаимоотношениях с вашим брендом и товарами, тем лучше вы понимаете, как ваш бизнес может ему помочь.»

Векторная БД схлопывает клиента в плоский снапшот. Темпоральный граф хранит динамику: предпочтения менялись, статус менялся, отношения менялись.

Кейс 2. Анализ отзывов → стратегия и roadmap

Кейс подписчицы Марии (4 октября 2025). Парсинг отзывов с Wildberries → JSON → Graphiti.

Итог графа: 758 узлов, 2126 связей.

Через Cursor + MCP-сервер Graphiti сформировано 8 отчётов:

1. Анализ Клиентского Опыта
2. Анализ Качества Продукта и Упаковки
3. Анализ Клиентского Сервиса и Взаимодействия с Покупателями
4. Временной Анализ и Эволюция Отзывов
5. Анализ Сетевых Связей и Взаимоотношений в Экосистеме Отзывов
6. Стратегические Инсайты и Общие Рекомендации
7. Дорожная Карта Развития Бизнеса
8. Стратегия Запуска Новой Линейки Продуктов

Без ручной разметки сущностей — Graphiti сам выделил из отзывов всё нужное.

Кейс 3. Память о коде / проекте

Авторы Zep сами выложили шаблон: Cursor + MCP-сервер Graphiti + готовые Cursor Rules.

Результат — память о проекте и всех изменениях, которые в нём происходили. В любой момент можно спросить графу: «Кто, зачем и когда добавил этот метод?» — и получить ответ.

Запуск:

1. Установить Graphiti.
2. Запустить MCP-сервер.
3. Подключить Cursor Rules от Zep.

Кейс 4. Структурированное + неструктурированное (главный практический паттерн)

«Для получения наибольшего эффекта от использования Graphiti, нужно использовать данные по схеме структурированные + неструктурированные данные (события).»

Пример из поста. Собираем данные об изменениях в топ-менеджменте компаний — это структурированный костяк (сущности «компания», «должность», «сотрудник», рёбра со временем начала/окончания). Поверх доливаем неструктурированные эпизоды:

• Новости о компании.
• Публикуемые вакансии — из них вычленяются новые проекты, переходы на новый стек, расширения отделов.

Что вскрывается: на какие события влияет конкретное назначение, как кадровые перестановки меняют инфополитику.

Кейс 5. Финансы / политика (arxiv-исследование, февраль 2026)

Исследователи Национального университета Тайваня построили темпоральный граф GAP-TGN:

• Узлы — члены Конгресса США и компании.
• Рёбра — покупки акций, голосования, лоббирование.

Проанализировали 32 401 сделку + 1.6 млн отчётов о лоббировании + 26 млн голосований.

Что нашли:

1. Члены комитетов по обороне торговали акциями оборонных подрядчиков в моменты геополитического обострения.
2. Топ-политики дают аномальную доходность 47% годовых (примерно ×10 от нормальной).
3. По положению политика в графе можно предсказывать прибыльные сделки на горизонте двух лет.

Иллюстрация, что темпоральный граф вскрывает связи, недоступные плоской аналитике.

Кейс 6. Индивидуализация ответов для пользователя

«Графы с рёбрами, привязанными ко времени, позволяют формировать долгосрочный динамический индивидуальный контекст. А индивидуальный подход от AI-агента — отличный способ повысить частоту пользования инструментом.»

Поверх общей базы знаний — индивидуальный темпоральный граф на каждого юзера. Hindsight из коробки заточен на эту «эмоциональность» и индивидуальность ответов.

Подводные камни (важно перед прод-внедрением)

1. Дорого по API

В Костином эксперименте — $0.5 на 55 сообщений. На реальном продакшене нужно считать в десятках и сотнях долларов в день, особенно с дефолтными OpenAI-моделями. Альтернативы: китайские модели (Kimi, Deepseek), локальные модели.

2. Медленно — 10–15 сек на эпизод

Не подходит для систем с большим количеством одновременных событий без специальной обработки (bulk / параллельный runtime).

3. LLM додумывает год

«В натуральном общении мы очень редко указываем дату и год, когда событие произошло. И именно год LLM додумает самостоятельно. В своём уникальном стиле. То есть не всегда правильно.»

Что делать: для архивов и реальных бизнес-данных писать кастомный загрузчик с явным полем event_date отдельно от ingestion_date.

4. Загрузка архива «как есть»

Дефолтный загрузчик считает, что все архивные события произошли в момент загрузки. Это почти всегда не так. Снова — кастомный пайплайн.

5. Лимит 10 кастомных сущностей

Если домен сложнее — заводить «кастомные эпизоды» на уровне приложения и для каждого свой набор Pydantic-сущностей.

6. Параллельные эпизоды не связываются

С SEMAPHORE_LIMIT > 1 Graphiti не строит связи между эпизодами, обрабатываемыми параллельно. Не отправляйте одновременно сильно связанные эпизоды.

7. MCP-сервер Graphiti не умеет листать group_id

Без явно переданного group_id MCP-сервер не отдаёт данные из графа в принципе. Это нужно учитывать в архитектуре.

Костина рекомендуемая архитектура для версионирования фактов

Найдена в одной из статей, переложена в Graphiti-сущности.

Сущности:

Связи:

(Episode) -[:CONTAINS]-> (Event)
(Event)   -[:REFERENCES]-> (Fact)
(Fact)    -[:HAS_VERSION]-> (FactVersion)
(Fact)    -[:LATEST]-> (FactVersion)
(FactVersion) -[:SUPPORTED_BY]-> (Source)

Что это даёт:

1. Объяснимые ответы — каждый факт с указанием источника.
2. Контроль версий — отслеживаем, как факт менялся во времени.
3. Приоритет свежих и авторитетных — комбинируем confidence × weight источника × затухание по времени × TTL.
4. Если на момент «сейчас» даже LATEST-версия устарела — факт не учитывается.

Идея на будущее: автоадаптация Graphiti к домену

Костин концепт «как обойти лимит 10 сущностей и не описывать домен вручную»:

1. Из эпизода извлекаем сырые сущности (как сейчас).
2. Пробуем соотнести с существующими типами в доменной схеме.
3. Если не вышло — кидаем в реестр кандидатов.
4. Накапливаем «поддержку» — сколько эпизодов завязано на сущность этого типа.
5. При достижении порога X — добавляем тип в доменную схему, создаём custom type для Graphiti.
6. Remapping старых эпизодов на новый тип.
7. В промпте для новых эпизодов — обновлённая доменная схема.

«Выглядит так, как будто пора создавать форк Graphiti с автоматической адаптацией к любому домену.»

Костин пайплайн отбора инструментов

Как Костя решает, что брать в арсенал:

1. Раз в неделю через ChatGPT ищет публикации последней недели по теме «темпоральные графы как память для AI-агентов».
2. Отбирает по заголовку и введению то, что бьётся с текущими задачами.
3. Изучает глубже — обычно через NotebookLM с вопросами к документу.
4. Если есть код на github — разворачивает и проверяет в связке с AI-агентами.
5. Если жизнеспособно — забирает в арсенал.

«Из фреймворков с кодом прошли отбор только Graphiti и Hindsight.»

Критерий «не брать»: проект, теоретический фреймворк которого обновился один раз — на init-коммите. Это значит, сообщество идею не поддержало (DyG-RAG, HippoRAG — примеры мёртвых).

Полный список постов (для самостоятельного чтения)

С чего начать знакомство

Минимальное чтение, чтобы войти в тему:

1. 867 — что такое Graphiti и зачем
2. 1012 — главный практический паттерн «structured + unstructured»
3. 1131 — почему время это сложно
4. 1141 — Graphiti vs Hindsight, как выбрать стартовую точку
5. 992 — живой кейс с WB-отзывами

Если готов руками щупать:

• Hindsight — поставить из docker за 15 мин, загрузить свои документы.
• Graphiti + Neo4j + MCP — подключить к Cursor или Claude Code, попробовать кейс «память о коде проекта».

Дайджест собран автоматически из публичных постов канала. Все цитаты приведены дословно. Канал автора: @kdoronin_blog.