Graphiti MCP

Resumen

Graphiti MCP es la implementación oficial del servidor Model Context Protocol (MCP) para Graphiti, un framework Python de código abierto de Zep diseñado para construir grafos de conocimiento en tiempo real con conciencia temporal, específicos para agentes de IA.

Este servidor actúa como puente entre los asistentes y agentes de codificación de IA y un backend de grafo de conocimiento dinámico, permitiéndoles almacenar conversaciones e información como episodios estructurados, entidades y relaciones con marcas de tiempo. Esto proporciona memoria persistente, reduce las alucinaciones, permite un razonamiento a largo plazo más efectivo y soporta aislamiento multi-tenant a través de grupos.

El servidor MCP expone las capacidades principales de Graphiti como herramientas descubribles, haciendo que la memoria agéntica avanzada sea accesible para herramientas como Claude Desktop, Cursor, Gemini CLI y otros clientes MCP.

Características Principales

• Gestión de Episodios: Agregar, recuperar, actualizar y eliminar episodios de conversación con metadatos temporales.
• Extracción de Entidades y Relaciones: Extraer automáticamente entidades y relaciones del texto y almacenarlas en el grafo.
• Búsqueda Semántica e Híbrida: Búsqueda potente a través de nodos, aristas y contexto temporal.
• Gestión de Grupos: Soporte multi-tenant con group_id para aislar datos entre usuarios, proyectos o sesiones.
• Mantenimiento del Grafo: Herramientas para podar, limpiar y optimizar el grafo de conocimiento.
• Conciencia Temporal: Rastrea cuándo se añadió o actualizó la información para un razonamiento sensible al tiempo.
• Flexibilidad del Backend: Funciona con FalkorDB (por defecto en muchas configuraciones), Neo4j y otras bases de datos de grafos.
• MCP Nativo: Compatibilidad total con el Model Context Protocol para una llamada de herramientas sin interrupciones.

Cómo Funciona

1. Ejecuta el servidor Graphiti MCP (mediante Docker Compose, Python o forks de la comunidad).
2. Conecta tu cliente MCP (por ejemplo, Claude Desktop) añadiendo el servidor a su configuración.
3. El agente de IA llama a herramientas como add_episode, search_nodes, get_entities o delete_group.
4. Graphiti procesa la solicitud: extrae conocimiento estructurado del texto, lo almacena con marcas de tiempo y devuelve el contexto relevante o los datos del grafo.

Esto crea una memoria a largo plazo compartida y consultable, que persiste entre sesiones y mejora con cada interacción.

Casos de Uso

• Memoria Agéntica y Contexto a Largo Plazo: Mantener historial de conversaciones, preferencias del usuario y hechos aprendidos como un grafo estructurado.
• Asistentes de IA Personalizados: Recordar detalles del usuario, contexto de proyectos o decisiones pasadas sin saturación de tokens.
• Flujos de Trabajo de Razonamiento Complejo: Los agentes consultan relaciones y datos históricos para análisis más profundos.
• Aplicaciones Multi-Sesión: Memoria persistente para agentes de programación, asistentes de investigación o bots de soporte al cliente.
• Sistemas Multi-Inquilino: Aislar grafos de conocimiento por usuario o proyecto usando grupos.
• Sistemas Híbridos de Agentes: Combinar con otros servidores MCP (búsqueda, bases de datos, DevTools) para capacidades agénticas completas.

Primeros Pasos

Repositorio Oficial

• Proyecto principal de Graphiti (incluye servidor MCP en /mcp_server): https://github.com/getzep/graphiti

Configuración Rápida (se recomienda Docker)

git clone https://github.com/getzep/graphiti.git
cd graphiti/mcp_server
# Seguir el README para Docker Compose (incluye FalkorDB + Graphiti MCP)
docker compose up

Añade a tu configuración del cliente MCP (ejemplo para transporte SSE/HTTP) y configura las claves de LLM (OpenAI, Anthropic, etc.).

Las instrucciones detalladas están en el README del Servidor MCP y en la Documentación de Zep.

Existen variantes de la comunidad para Neo4j, soporte de Ollama o configuraciones multi-proyecto mejoradas.

Beneficios

Graphiti MCP transforma interacciones de IA sin estado en experiencias con estado y ricas en memoria. Al convertir texto sin procesar en un grafo de conocimiento temporal y consultable, los agentes obtienen una retención de contexto, comprensión de relaciones y consistencia de razonamiento notablemente mejor a lo largo del tiempo.

Es ampliamente utilizado en aplicaciones agénticas y ha experimentado una rápida adopción en el ecosistema MCP, con la versión 1.0 del servidor MCP marcando un hito importante.