Graphiti MCP

Übersicht

Graphiti MCP ist die offizielle Model Context Protocol (MCP) Server-Implementierung für Graphiti, ein Open-Source Python-Framework von Zep zum Erstellen von Echtzeit-Wissensgraphen mit zeitlichem Bewusstsein, die für KI-Agenten maßgeschneidert sind.

Es verbindet KI-Coding-Assistenten und Agenten mit einem dynamischen Wissensgraphen-Backend, sodass diese Konversationen und Informationen als strukturierte Episoden, Entitäten und Beziehungen mit Zeitstempeln speichern können. Dies bietet persistenten Speicher, reduziert Halluzinationen, ermöglicht besseres Langzeit-Denken und unterstützt Multi-Tenant-Isolation über Gruppen.

Der MCP-Server stellt Graphitis Kernfunktionen als erkennbare Tools bereit, wodurch erweitertes agentisches Gedächtnis für Tools wie Claude Desktop, Cursor, Gemini CLI und andere MCP-Clients zugänglich wird.

Hauptmerkmale

• Episodenverwaltung: Konversationsepisoden mit temporalen Metadaten hinzufügen, abrufen, aktualisieren und löschen.
• Extraktion von Entitäten & Beziehungen: Automatische Extraktion von Entitäten und Beziehungen aus Text und Speicherung im Graphen.
• Semantische & hybride Suche: Leistungsstarke Suche über Knoten, Kanten und temporalen Kontext.
• Gruppenverwaltung: Multi-Tenancy-Unterstützung mit group_id, um Daten zwischen Benutzern, Projekten oder Sitzungen zu isolieren.
• Graph-Wartung: Tools zum Beschneiden, Bereinigen und Optimieren des Wissensgraphen.
• Zeitliches Bewusstsein: Verfolgt, wann Informationen hinzugefügt oder aktualisiert wurden, für zeitkritisches Denken.
• Backend-Flexibilität: Funktioniert mit FalkorDB (Standard in vielen Setups), Neo4j und anderen Graph-Datenbanken. — MCP-Nativ: Volle Kompatibilität mit dem Model Context Protocol für nahtlosen Tool-Aufruf.

Funktionsweise

1. Führen Sie den Graphiti MCP-Server aus (über Docker Compose, Python oder Community-Forks).
2. Verbinden Sie Ihren MCP-Client (z.B. Claude Desktop), indem Sie den Server zu dessen Konfiguration hinzufügen.
3. Der KI-Agent ruft Tools wie add_episode, search_nodes, get_entities oder delete_group auf.
4. Graphiti verarbeitet die Anfrage: Extrahiert strukturiertes Wissen aus Text, speichert es mit Zeitstempeln und gibt relevanten Kontext oder Graphdaten zurück.

Dadurch entsteht ein gemeinsamer, abfragbarer Langzeitspeicher, der über Sitzungen hinweg bestehen bleibt und mit jeder Interaktion verbessert wird.

Anwendungsfälle

• Agentisches Gedächtnis & Langzeitkontext: Führen Sie Konversationsverläufe, Nutzerpräferenzen und gelernte Fakten als strukturierten Graphen.
• Personalisiertes KI-Assistenten: Erinnern Sie sich an Nutzerdetails, Projektkontext oder frühere Entscheidungen ohne Token-Überlastung.
• Komplexe Reasoning-Workflows: Agents fragen Beziehungen und historische Daten für tiefgreifendere Analysen ab.
• Multi-Session-Anwendungen: Persistentes Gedächtnis für Coding-Agents, Forschungsassistenten oder Kundensupport-Bots.
• Multi-Tenant-Systeme: Isolieren Sie Wissensgraphen pro Nutzer oder Projekt mithilfe von Gruppen.
• Hybride Agent-Systeme: Kombinieren Sie mit anderen MCP-Servern (Suche, Datenbanken, DevTools) für vollständige agentische Fähigkeiten.

Erste Schritte

Offizielles Repository

• Haupt-Graphiti-Projekt (beinhaltet MCP-Server in /mcp_server): https://github.com/getzep/graphiti

Schnelleinrichtung (Docker empfohlen)

git clone https://github.com/getzep/graphiti.git
cd graphiti/mcp_server
# Befolgen Sie die README für Docker Compose (beinhaltet FalkorDB + Graphiti MCP)
docker compose up

Fügen Sie dies Ihrer MCP-Client-Konfiguration hinzu (Beispiel für SSE/HTTP-Transport) und konfigurieren Sie LLM-Schlüssel (OpenAI, Anthropic, etc.).

Detaillierte Anleitungen finden Sie in der MCP-Server README und der Zep-Dokumentation.

Es existieren Community-Varianten für Neo4j, Ollama-Unterstützung oder erweiterte Multi-Projekt-Setups.

Vorteile

Graphiti MCP verwandelt zustandslose KI-Interaktionen in zustandsbehaftete, speicherreiche Erfahrungen. Indem Rohtext in einen abfragbaren, zeitlichen Wissensgraphen umgewandelt wird, erhalten Agents dramatisch bessere Kontextbeibehaltung, Beziehungsverständnis und Reasoning-Konsistenz über die Zeit hinweg.

Es wird weit verbreitet in agentischen Anwendungen eingesetzt und hat im MCP-Ökosystem eine rasche Adoption erfahren, wobei Version 1.0 des MCP-Servers einen wichtigen Meilenstein darstellt.