Graphiti MCP Pro

Graphiti MCP Pro是基于Graphiti框架增强的记忆存储MCP服务与管理平台，提供异步并行处理、任务管理工具、统一配置管理、更广泛的AI模型兼容性以及全面的可视化管理系统。

知识管理与记忆开发者工具 #知识图谱 #AI代理 #异步处理 #可视化 .Python

评分 : 2.5分

下载量 : 7.9K

更新时间 : 2025-08-15

打开站点

🚀 Graphiti MCP Pro

Graphiti MCP Pro 是一个基于 Graphiti 的增强型内存存储库 MCP 服务和管理平台。它主要为在动态环境中运行的 AI 代理量身定制，能将用户交互、企业数据和外部信息集成到可查询的图中，适合开发交互式、上下文感知的 AI 应用。与原项目的 MCP 服务相比，它具有增强的核心能力、更广泛的 AI 模型兼容性和全面的可视化管理界面等优势。

🚀 快速开始

使用 Docker Compose 运行（推荐）

克隆项目

git clone http://github.com/itcook/graphiti-mcp-pro
# 或者使用 SSH 方式克隆
# git clone git@github.com:itcook/graphiti-mcp-pro.git
cd graphiti-mcp-pro

配置环境变量（可选）

# 复制示例配置文件
mv .env.example.en .env
# 根据说明编辑 .env 文件

⚠️ 重要提示

如果想继续使用之前 Graphiti MCP 的数据，需将 .env 文件中的 NEO4J 相关参数设置为你的 Neo4j 数据库连接信息，其他参数保持默认。

启动服务
```
docker compose up -d
```

💡 使用建议

如果项目有更新，需要重新构建镜像，可使用 docker compose up -d --build。不用担心，数据会持久保存在外部数据库中，不会丢失。

访问管理界面 默认地址：http://localhost:6062

手动安装

⚠️ 重要提示

前提条件：

Python 3.10+ 和 uv 项目管理器

Node.js 20+

可访问的 Neo4j 5.26+ 数据库服务

AI 模型服务

克隆项目

git clone http://github.com/itcook/graphiti-mcp-pro
# 或者使用 SSH 方式克隆
# git clone git@github.com:itcook/graphiti-mcp-pro.git
cd graphiti-mcp-pro

安装依赖
```
uv sync
```

配置环境变量

# 复制示例配置文件
mv .env.example.en .env
# 根据说明编辑 .env 文件

运行 MCP 服务

# 运行带有管理后端的服务
uv run main.py -m
# 或者仅运行 MCP 服务
# uv run main.py

构建并运行管理前端 进入前端目录并安装依赖：

cd manager/frontend
pnpm install  # 或者使用 npm install / yarn

构建并运行前端：

pnpm run build   # 或者使用 npm run build / yarn build
pnpm run preview # 或者使用 npm run preview / yarn preview

访问管理界面：http://localhost:6062

✨ 主要特性

增强的核心能力

异步并行处理

添加记忆是 MCP 服务的核心功能。我们在原实现基础上引入了异步并行处理机制，同一组 ID（如不同开发项目）最多可并行执行 5 个添加记忆任务，显著提高了处理效率。

任务管理工具

新增了四个用于管理 add_memory 任务的 MCP 工具：

list_add_memory_tasks - 列出所有 add_memory 任务
get_add_memory_task_status - 获取 add_memory 任务状态
wait_for_add_memory_task - 等待 add_memory 任务完成
cancel_add_memory_task - 取消 add_memory 任务

统一配置管理

优化了配置管理，解决了命令行参数、环境变量和管理后端数据库配置之间的不一致问题。

⚠️ 重要提示

启用管理后端时，.env 环境配置文件中的 MCP 服务参数仅在首次启动时生效，后续配置将基于管理后端数据库中的参数。

更广泛的 AI 模型兼容性和灵活性

增强的模型兼容性

通过与 instructor 库集成，显著提高了模型兼容性。现在支持各种模型，如 DeepSeek、Qwen，甚至可以通过 Ollama、vLLM 运行本地模型，只要它们提供与 OpenAI API 兼容的接口。

分离的模型配置

将原有的统一 LLM 配置拆分为三个独立配置，可根据实际需求灵活组合：

大模型（LLM）：负责实体和关系提取
小模型（Small LLM）：处理实体属性总结、关系去重、重新排序等轻量级任务
嵌入模型（Embedder）：专门用于文本向量化

⚠️ 重要提示

配置嵌入模型时，请注意其 API 路径与上述两个 LLM 不同。LLM 使用聊天完成路径 {base_url}/chat/completions，而文本嵌入使用 {base_url}/embeddings。如果在管理后端选择“与大模型相同”，请确保配置的大模型支持文本嵌入。

此外，如果通过 docker compose 运行服务，而 LLM 或嵌入模型在本地运行，需要将 base_url 配置为 http://host.docker.internal:{port}，其中端口应根据本地运行端口进行调整。