Graphiti

Graphitiは、AIエージェント向けに設計されたリアルタイム知識グラフフレームワークで、動的データの統合、効率的な検索、正確な履歴クエリをサポートし、コンテキスト感知型のAIアプリケーションの構築に適しています。

知識管理と記憶開発者ツール

スコア : 0ポイント

ダウンロード数 : 17.0K

更新時間 : 2025-05-07

サイトを開く

Graphiti MCPサーバーとは？

Graphiti MCPサーバーは、Model Context Protocol（MCP）に基づいて実装された知識グラフ管理ツールで、AIアシスタントがMCPプロトコルを介してGraphitiの知識グラフとやり取りできるようにします。データの追加、検索、削除や、知識グラフの構造の維持など、さまざまな機能を提供します。

Graphiti MCPサーバーの使い方は？

Dockerを使用してMCPサーバーを迅速にデプロイし、提供されるAPIを使用して知識グラフを管理できます。具体的な手順には、サービスの起動、接続の設定、基本操作の実行が含まれます。

適用シナリオ

Graphiti MCPサーバーは、知識グラフのリアルタイム管理とクエリが必要なアプリケーションシナリオ、例えばスマートカスタマーサポート、企業知識管理システムなどに適しています。

主要機能

Episode管理

知識グラフ内のイベント（Episode）の追加、検索、削除をサポートします。

エンティティ管理

知識グラフ内のエンティティとその関係の作成、更新、削除ができます。

混合検索

意味検索、キーワード検索、グラフトラバーサル検索を組み合わせて、効率的なデータクエリ能力を提供します。

グループ管理

関連するデータをグループ化して管理することをサポートし、複雑な知識構造の整理を容易にします。

利点

リアルタイムの増分更新をサポートし、グラフ全体を再計算する必要がありません。

混合検索方法により低遅延のクエリが保証されます。

柔軟なカスタムエンティティ定義機能。

高い拡張性で、大規模な企業向けアプリケーションに適しています。

制限

バックエンドストレージとしてNeo4jデータベースのインストールと設定が必要です。

開発者には一定の技術的な知識が必要で、DockerとAPI呼び出しに精通している必要があります。

外部のLLMサービス（例：OpenAI）に依存するため、運用コストが増える可能性があります。

使い方

Dockerのインストール

ローカル環境にDockerをインストールし、バージョンが要件を満たしていることを確認します。

MCPサーバーの起動

Dockerを使用してGraphiti MCPサーバーのインスタンスを起動します。

接続の設定

Neo4jデータベースの接続情報やその他必要なパラメータを設定します。

使用例

新しいイベントの追加

知識グラフに新しい顧客問い合わせ記録を追加します。

過去のイベントの検索

キーワードに基づいて過去の顧客問い合わせ記録を検索します。

よくある質問

MCPサーバーをどうやって起動するのですか？

カスタムエンティティタイプをサポートしていますか？

有料で使用する必要がありますか？

🚀 Graphiti プロジェクト

Graphitiは、多様な言語モデル（LLM）とベクトルデータベースをサポートする、スマートアプリケーションを構築するためのツールです。Neo4jグラフデータベースとの統合により、強力な知識表現と検索機能を提供します。

🚀 クイックスタート

Graphitiは、多様な言語モデルとベクトルデータベースをサポートするツールで、Neo4jグラフデータベースと統合することで、強力な知識表現と検索機能を提供します。

✨ 主な機能

多言語モデルサポート：OpenAI、Azure OpenAI、Google Geminiなどの主要なLLMサービスと互換性があります。
ベクトル埋め込み：テキスト埋め込み技術を利用して、効率的な知識検索を行います。
柔軟なグラフ構造：ユーザーがノードとエッジをカスタマイズし、独自の知識グラフを構築できます。
強力な検索能力：様々な検索オプションを提供し、さまざまなアプリケーションシーンのニーズを満たします。

📦 インストール

Graphitiのインストール

pipを使用してインストールします。

poetry add graphiti_core  # または
pip install graphiti_core

💻 使用例

基本的な使用法

from graphiti_core import Graphiti

# 初期化Graphiti、ローカルのNeo4jインスタンスに接続
graphiti = Graphiti(
    "bolt://localhost:7687",
    "neo4j",
    "password"
)

# クエリを実行
response = graphiti.query("人工知能に関する基本情報を教えて。")
print(response)

高度な使用法

Azure OpenAIを使用する場合

from openai import AsyncAzureOpenAI
from graphiti_core import Graphiti
from graphiti_core.llm_client import OpenAIClient
from graphiti_core.embedder.openai import OpenAIEmbedder, OpenAIEmbedderConfig

# Azure OpenAIサービスを設定
api_key = "<あなたのAPIキー>"
api_version = "<あなたのAPIバージョン>"
endpoint = "<あなたのAzureエンドポイント>"

# Azure OpenAIクライアントを初期化
client = AsyncAzureOpenAI(
    api_key=api_key,
    api_version=api_version,
    endpoint=endpoint
)

# Graphitiインスタンスを作成し、Azure OpenAIをLLMと埋め込みツールとして使用
graphiti = Graphiti(
    "bolt://localhost:7687",
    "neo4j", 
    "password",
    llm_client=OpenAIClient(client),
    embedder=OpenAIEmbedder(config=OpenAIEmbedderConfig(embedding_model="text-embedding-3-small"), client=client)
)

# クエリを実行
response = graphiti.query("機械学習に関する記事を検索して。")
print(response)

Google Geminiを使用する場合

from graphiti_core import Graphiti
from graphiti_core.llm_client.gemini_client import GeminiClient, LLMConfig
from graphiti_core.embedder.gemini import GeminiEmbedder, GeminiEmbedderConfig

# Google APIキーを設定
api_key = "<あなたのGoogle APIキー>"

# Graphitiインスタンスを初期化し、GeminiをLLMと埋め込みツールとして使用
graphiti = Graphiti(
    "bolt://localhost:7687",
    "neo4j",
    "password",
    llm_client=GeminiClient(config=LLMConfig(api_key=api_key, model="gemini-2.0")),
    embedder= GeminiEmbedder(config=GeminiEmbedderConfig(api_key=api_key))
)

# クエリを実行
response = graphiti.query("量子計算の基本原理を説明して。")
print(response)