Zep 撰文论证上下文图谱：为 AI（人工智能） Agent 记忆补上“事实何时为真”与多跳关系
美国 AI（人工智能） 记忆公司 Zep（Zep，AI 记忆层公司）发布技术博客，论证用“上下文图谱”（Context Graph，面向 AI Agent 提供上下文的知识图谱）替代纯向量检索。
文章称该结构可回答跨来源、多跳问题，并为每条事实记录有效期与出处； Zep 称其产品已采用该方案，但未给出公开评测数据。
Zep 技术团队成员 Jack Ryan 在该公司博客文章中列出上下文图谱相对向量检索的七点技术理由：图谱以实体和关系存储事实，每条边可携带事实为真的时间范围（validity window）及来源链接； 可跨结构化与非结构化数据合并同一实体； 支持多跳查询，例如先找 John 的经理 Sarah，再找她写的评审，再读评审对提案的评价；
事实变更时保留旧事实并设置结束时间，使 Agent（智能体）能区分“现在为真”和“某日期为真”。 文章还引用两项检索日志研究：在 Yahoo 搜索日志中，58% 查询的主意图为实体、实体类型、属性或关系（Pound、Mika 与 Zaragoza，2010）；
在一家公司的企业搜索日志中，59.5% 的查询为人名搜索（Svarre、Lykke 与 Bygholm，2024）。 Zep 称其使用小型低成本模型在写入时抽取事实，并以 Graphiti（其开源知识图谱引擎）构建图谱、存入自研图数据库服务 Konig。
这篇文章把“AI（人工智能） 长期记忆”的工程难点说清楚：向量检索擅长找相似文本，但难以处理事实随时间变化和多来源拼接； 图谱把成本前移到写入时的实体与关系抽取，换取后续检索更省 token（词元）。 对记忆类产品而言，关键取舍是抽取成本、事实来源可追溯与删除后的一致性。 文章引用的认知心理学“扩散激活”仅是类比，不构成对人类记忆或产品效果的实验证据；
七点理由属厂商技术论证，应视为设计思路而非已验证的基准结论。
后续观察信号
- 查证 Zep 论文中双时间模型与图谱检索的实现细节
- 跟踪其他记忆厂商是否采用类似事实有效期设计