静态 RAG 把记忆当成不变的文本块，但用户的地址、职位、偏好都会变。Zep 用 Graphiti 把对话拆成实体与事实，给每条边记两套时间——世界何时为真、系统何时知道。冲突时旧事实只失效、不删除。代价是构图阶段大量 LLM 调用。
普通 RAG 隐含三个假设：语料基本不变、相关性等于语义相似、事实一旦写入就长期有效。Agent 记忆三条都撞上——对话在持续发生，业务数据在更新，用户会搬家、换工作、改偏好。
Zep 的做法是把记忆做成时序知识图谱：底层 episode 存原始消息，中间层存实体和事实边，顶层存社区摘要。每条事实边带四个时间戳，分属两条轴：T 是世界时间，T′ 是系统摄入时间。
新事实与旧事实矛盾时，旧边不删除：只把 t_invalid 写成新边的 t_valid，把 t′_expired 写成新边的 t′_created。历史可查，当前状态也清楚。
检索不是单纯向量相似：cosine + BM25 + 图上的 BFS，再重排，最后把事实与时间范围拼成上下文。代价也很明确：单会话助理类问题反而下降 17.7%，结构化业务数据的联合推理没有基准验证。
先建立一个共同认知：记忆的难点不是「找不到」，而是「不知道哪条现在还算数」。
普通 RAG 把文档切成块、向量化、按相似度取回。这套流程隐含三个假设：语料基本不变；相关性等于语义相似；一条事实一旦写入就长期有效。企业 Agent 三条都撞上——对话在持续发生，业务数据在更新，用户的地址、职位、偏好会变。
向量库里同时躺着「User 住在 Boston」和「User 住在 NYC」。两句话语义高度相似，都会被召回；但只有一条是当前事实。没有有效区间，模型只能靠上下文顺序猜，或者把两条都写进 prompt，让 LLM 自己判断。对话越长，这种冲突越多。
另一条路是把全部历史塞进上下文。LongMemEval 的平均对话长度约 115,000 token；论文的 full-context 基线在 gpt-4o 上延迟 28.9 秒。成本之外，长上下文还会稀释关键信息。于是问题变成：如何在不丢历史的前提下，让每条事实带上「何时为真」和「系统何时知道」。
这两个时间不必重合。用户可能 6 月就搬了家，Zep 7 月才从对话里得知；这段时间里，世界时间已经翻页，系统时间还停在上一页。如果系统只存一个「当前值」，它既说不清自己当时知道什么，也无法在事后审计「为什么当时答错了」。
两套方案各解决了一半：一个管上下文，一个管结构；时间维度都缺席。
主上下文之外再开一层 archival storage，靠函数调用在两层之间换页。优点是能在有限窗口里维持长期对话，DMR 上用 gpt-4-turbo 达到 93.4%。
卡在哪：记忆单元仍是文本，检索靠相似度或摘要。事实没有显式的有效区间；新信息与旧信息冲突时，也没有一条边级的失效规则。
从语料抽实体和关系，做社区检测，再用 map-reduce 生成社区摘要。优点是能回答「这批文档整体在讲什么」这类全局问题。
卡在哪：它为静态语料设计：图构建一次，社区用 Leiden 划分，事实边不带双时态，也不处理「新事实让旧事实失效」。语料一变，图谱就要重建。
普通向量 RAG 更直接：块 + 余弦相似度。它连实体都没有，更谈不上时间。三者共同的缺口是：事实的生命周期没有被建模。Zep 的切入点不是「再加一个检索器」，而是把「失效」变成图上一次显式的写操作。
Zep 的核心不是「用了知识图谱」，而是把「失效」变成一次写操作，而不是删除。
论文把时间拆成两条轴。T 是事件在现实世界发生的顺序；T′ 是 Zep 摄入数据的顺序，也就是数据库的审计轨迹。每条事实边同时带四个时间戳：
t_valid：事实开始为真的时刻。
t_invalid：事实不再为真的时刻。
回答「用户现在住哪」用它。
t′_created：这条边写入 Zep 的时刻。
t′_expired：这条边在 Zep 里被标记失效的时刻。
回答「系统当时知道什么」用它。
两者不必重合。用户可能 6 月就搬了家，Zep 7 月才从对话里得知；这段时间里，世界时间已经翻页，系统时间还停在上一页。论文的边失效规则只做两件事：
具体做法是：LLM 把新边与语义相关的旧边逐条比对，找出时间上重叠且互相矛盾的对；确认矛盾后，旧边的 t_invalid 被设为新边的 t_valid。在系统时间轴 T′ 上，旧边的 t′_expired 也在新边写入时被填上。结果是一条边从「无终点」变成「有终点」，历史仍然可查。
这也解释了为什么 Zep 要保留原始 episode：语义边会失效，但原始消息不该被改写。查询时既可以看当前有效的事实，也可以沿双向索引回到当时的原话。
下面用一组示意事实演示这套规则。切换 T 与 T′，拖动时间轴；再点「注入新事实」，观察旧边如何被写上终点。虚线表示这条边还没有进入图谱。
建议按这个顺序试：
t_invalid 和 t′_expired。不是。Boston → NYC、Coffee → Tea 的具体月份是为演示构造的，论文只给出规则，没有给出这组例子。规则本身取自论文：新边与语义相关的旧边比对，时间重叠且矛盾时，旧边的 t_invalid 被设为新边的 t_valid；系统时间轴上，旧边的 t′_expired 在新边写入时被填上；旧边保留。
模拟把「系统收到新事实」简化成一个按钮，省略了实体消解、事实抽取和 LLM 矛盾判断。真实系统里，这些步骤都可能出错：实体没对齐、关系抽错、日期解析错，都会让失效规则作用在错误的边上。
Zep 没有训练阶段；它的成本主要花在把每条消息变成实体、事实和失效判断。
一条消息进入 Zep 后，构图按固定流水线走：
n = 4 条消息一起送进 LLM，提供两轮对话上下文；说话人自动成为实体；再用一次 reflexion 式反思降低漏抽和幻觉，并生成实体摘要。1024 维向量，先做余弦检索，再对名称和摘要做全文检索；候选交给 LLM 判断是否同一实体，并生成更新后的名称与摘要。t_ref 解析绝对和相对日期（如「下周四」「两周前」）；新边与语义相关旧边比对，时间重叠且矛盾时触发上面的失效规则。工程上几个刻意的选择：写图用预定义 Cypher 查询，而不是让 LLM 生成查询，保证 schema 一致；社区用 label propagation 是为了支持增量更新，代价是社区会逐渐偏离完整重算的结果，所以仍需要周期性全量刷新；构图模型用 gpt-4o-mini，嵌入和重排用 BGE-m3。
实体抽取、反思、消解、事实抽取、矛盾判断、社区摘要，每一步都是 LLM 调用。论文没有给出每条消息的调用次数或 token 成本，也没有做消融；因此无法从论文数字里拆出「双时态」单独贡献了多少。能确认的是：这是一套推理时的构图系统，不是训练出来的记忆模型。
这也决定了它的扩展性讨论方式不同于训练模型：瓶颈不在 GPU 显存，而在摄入吞吐、LLM 调用成本和图数据库写入。论文把延迟作为一等指标报告，但没有给出千万级用户下的成本曲线。
架构解决「记忆放哪」，检索解决「这一次该拿什么」。
三层各司其职：episode 存原始消息，保证可溯源；semantic 存实体和事实边，边上带四个时间戳；community 存强连通实体的摘要，负责全局性问题。三者不是三份互相独立的存储，而是同一张图 G = (N, E, φ) 的三个子图。
余弦相似度 + Okapi BM25 全文检索 + n 跳 BFS。三者分别抓语义相似、词面匹配、图上的上下文接近；返回事实边、实体、社区三类候选。
支持 RRF、MMR、episode-mentions（按提及频率加权）、node-distance（按到中心节点的距离）、cross-encoder（最贵）。
边输出事实 + t_valid/t_invalid；实体输出名称 + 摘要；社区输出摘要。时间范围会一起进入上下文。
实验里只取了 top 20 条边和实体（DMR 用 top 10）。这也是论文承认的边界：episode 与实体之间的双向索引没有被评估，检索系统的完整能力只验证了一部分。
DMR 已经饱和，真正有信息量的是 LongMemEval 的分题型结果。
| 记忆方案 | 模型 | 准确率 |
|---|---|---|
| Recursive Summarization† | gpt-4-turbo | 35.3% |
| Conversation Summaries | gpt-4-turbo | 78.6% |
| MemGPT† | gpt-4-turbo | 93.4% |
| Full-conversation | gpt-4-turbo | 94.4% |
| Zep | gpt-4-turbo | 94.8% |
| Conversation Summaries | gpt-4o-mini | 88.0% |
| Full-conversation | gpt-4o-mini | 98.0% |
| Zep | gpt-4o-mini | 98.2% |
† 为 MemGPT 论文报告的结果。Zep 在 gpt-4-turbo 上 94.8%，比 MemGPT 的 93.4% 高 1.4 个百分点，也只比 full-conversation 的 94.4% 高 0.4 个百分点。每段对话只有 60 条消息，塞得进上下文窗口；作者自己说这个基准区分度不足。
| 记忆方案 | 模型 | 准确率 | 延迟 | 延迟 IQR | 平均上下文 |
|---|---|---|---|---|---|
| Full-context | gpt-4o-mini | 55.4% | 31.3 s | 8.76 s | 115k |
| Zep | gpt-4o-mini | 63.8% | 3.20 s | 1.31 s | 1.6k |
| Full-context | gpt-4o | 60.2% | 28.9 s | 6.01 s | 115k |
| Zep | gpt-4o | 71.2% | 2.58 s | 0.684 s | 1.6k |
gpt-4o 上 60.2% → 71.2%，论文称 18.5% 提升；gpt-4o-mini 上 55.4% → 63.8%，论文称 15.2%。延迟从 28.9 s 降到 2.58 s（约 90%），平均上下文从 115k 降到 1.6k。注意口径：18.5% 是论文的相对提升；按表中数字，绝对差是 11.0 个百分点。
| 问题类型 | gpt-4o-mini | gpt-4o | ||
|---|---|---|---|---|
| Full-context | Zep | Full-context | Zep | |
| single-session-preference | 30.0% | 53.3% | 20.0% | 56.7% |
| single-session-assistant | 81.8% | 75.0% | 94.6% | 80.4% |
| temporal-reasoning | 36.5% | 54.1% | 45.1% | 62.4% |
| multi-session | 40.6% | 47.4% | 44.3% | 57.9% |
| knowledge-update | 76.9% | 74.4% | 78.2% | 83.3% |
| single-session-user | 81.4% | 92.9% | 81.4% | 92.9% |
几个值得注意的点：
45.1% → 62.4%（+38.4%）；single-session-preference 在 gpt-4o 上 20.0% → 56.7%（+184%）。这正是双时态设计针对的场景。94.6% → 80.4%（−17.7%），mini 上 81.8% → 75.0%（−9.06%）。答案就在最近一段对话里时，图检索可能不如直接把原文给模型。76.9% → 74.4%（−3.36%），在 gpt-4o 上 78.2% → 83.3%（+6.52%）。论文明确说，能力较弱的模型对 Zep 的时间数据理解不足。还有一个测量细节：Zep 的延迟是在波士顿的消费级笔记本上、连接 AWS us-west-2 测的，网络往返被算进了 Zep 的延迟；基线没有这段网络开销。因此 90% 的延迟降幅对 Zep 是偏保守的估计。
论文自己列出的边界，比宣传语更有信息量。
single-session-assistant 是唯一在两个模型上都下降的类别：gpt-4o −17.7%，mini −9.06%。当答案就在最近一段对话里，图检索反而可能漏掉局部上下文。论文把这条列为「otherwise consistent improvements」的例外，并说需要更多工程工作。
knowledge-update 在 gpt-4o-mini 上不升反降（76.9% → 74.4%），在 gpt-4o 上升 6.52%。时间范围被写进上下文，不等于模型会用它；能力较弱的模型可能被多出来的时间字段干扰。
增量 label propagation 只做一步递归，新节点按邻居多数票归入社区。这样省 LLM 调用，但社区会逐渐偏离完整重算的结果。论文明确说，周期性全量刷新仍然必要。
论文的动机是「对话历史 + 结构化业务数据」的联合记忆，但实验只测了对话。作者承认，现有基准无法评估 Zep 把对话与业务数据放在一起推理的能力。这是动机与实验之间最大的一道缝。
论文没有拆开双时态、社区层、混合检索各自的贡献，也没有报告构图成本。DMR 又太短：60 条消息的对话，full-context 已经能到 94.4%。因此「涨了多少是因为时间建模」这个问题，论文没有直接回答。
一句话总结：Zep 解决的是「同样的历史里，怎么知道哪条现在还算数」，而不是「把记忆容量做大」。它适合事实会更新、需要审计「当时知道什么」的场景；如果任务只是从固定文档里找答案，普通 RAG 或长上下文可能更简单。