4.1 · 图谱记忆总览（Graph Memory Overview）

图谱记忆总览

图谱记忆概述

相关源文件

本章引用的主要源码文件：

• docs/components/vectordbs/dbs/neptune_analytics.mdx
• docs/core-concepts/memory-operations/add.mdx
• docs/core-concepts/memory-operations/delete.mdx
• docs/core-concepts/memory-operations/search.mdx
• docs/core-concepts/memory-operations/update.mdx
• docs/core-concepts/memory-types.mdx
• docs/open-source/configuration.mdx
• docs/open-source/overview.mdx
• docs/platform/advanced-memory-operations.mdx
• docs/platform/features/platform-overview.mdx
• docs/platform/overview.mdx
• examples/graph-db-demo/neptune-example.ipynb
• mem0/configs/enums.py
• mem0/configs/vector_stores/neptune.py
• mem0/configs/vector_stores/supabase.py
• mem0/vector_stores/neptune_analytics.py
• tests/vector_stores/test_neptune_analytics.py

图谱记忆是 Mem0 核心向量记忆系统的可选扩展，它将知识表示为实体（节点）及其关系（边）构成的图谱。这种方式支持结构化知识表示、复杂关系查询以及理解不同信息片段之间的语义关联。

关于图存储提供商（Neo4j、Kuzu、Memgraph、Neptune）的配置详情，请参见 4.2 图存储提供商。关于实体提取和关系建立的具体实现，请参见 4.3 实体与关系提取。

什么是图谱记忆

图谱记忆通过将信息存储在图数据库结构中，补充了 Mem0 基于向量的记忆系统。向量记忆擅长语义相似性搜索，而图谱记忆则捕获实体之间的显式关系，支持诸如"谁认识谁"或"用户 X 购买了哪些产品"这类查询。

系统使用大语言模型（LLM）自动从对话文本中提取实体（人物、地点、事物）及其关系，然后将它们作为节点和边存储在图数据库中。每个实体节点包含一个用于相似性匹配和去重的向量嵌入。

主要特性：

• 以实体为中心：将离散实体（人物、地点、概念）存储为节点。
• 关系感知：捕获显式关系（认识、工作于、喜欢）作为边。
• 混合存储：将图结构与向量嵌入结合用于节点匹配。
• 自动提取：基于大语言模型（LLM）的工具调用进行实体和关系识别。
• 可选功能：需要安装 graph 额外依赖并进行特定配置。

来源：docs/core-concepts/memory-operations/add.mdx:46-48、docs/platform/advanced-memory-operations.mdx:67-68、examples/graph-db-demo/neptune-example.ipynb:11-13

图谱记忆与向量记忆对比

下图展示了单条信息的不同处理路径。

对比：自然语言到代码实体空间

来源：docs/core-concepts/memory-operations/add.mdx:40-49、docs/core-concepts/memory-operations/search.mdx:32-45、examples/graph-db-demo/neptune-example.ipynb:11-13

架构与集成

系统组件

Memory 类充当编排器。当配置中启用了图谱功能时，它会在向量和图谱存储后端之间进行协调。

来源：docs/open-source/overview.mdx:66-85、docs/open-source/configuration.mdx:59-83、examples/graph-db-demo/neptune-example.ipynb:131-160

并行执行模型

当用户调用 add() 时，Mem0 会同时处理向量和图谱更新。

1. 向量路径：从消息中提取事实，并存储在配置的 VectorStore 中。
2. 图谱路径：将相同的消息传递给图谱子系统进行实体/关系提取。
3. 合并：最终响应同时返回向量记忆结果和图谱关系。

来源：docs/core-concepts/memory-operations/add.mdx:40-49、docs/platform/advanced-memory-operations.mdx:111-113

实体与关系模型

节点属性

图中的每个实体节点都包含用于范围限定和检索的属性。

来源：docs/core-concepts/memory-operations/add.mdx:19-25、docs/core-concepts/memory-operations/search.mdx:19-24、examples/graph-db-demo/neptune-example.ipynb:11-13

关系格式

关系通常以三元组格式提取：source -- RELATIONSHIP -- destination。例如，Alice -- WORKS_AT -- Google。

来源：docs/platform/advanced-memory-operations.mdx:111-113、examples/graph-db-demo/neptune-example.ipynb:11-13

基本用法

初始化

通过配置提供商启用图谱记忆。

# 使用 Amazon Neptune 作为图谱记忆的示例
config = {
    "graph_store": {
        "provider": "neptune",
        "config": {
            "endpoint": "neptune-graph://my-graph-identifier",
        },
    },
    "llm": {
        "provider": "aws_bedrock",
        "config": {"model": "us.anthropic.claude-3-7-sonnet-20250219-v1:0"}
    }
}
from mem0 import Memory
m = Memory.from_config(config)

来源：examples/graph-db-demo/neptune-example.ipynb:131-160、docs/open-source/configuration.mdx:59-83

添加与搜索

# 添加记忆会同时触发向量和图谱提取
m.add("我更喜欢东京的精品酒店", user_id="morgan")

# 搜索会检索语义相似的事实以及图谱关系
results = m.search("Morgan 对酒店有什么偏好？", user_id="morgan")

来源：docs/platform/advanced-memory-operations.mdx:73-86、docs/platform/advanced-memory-operations.mdx:122-129

数据流：提取与存储

提取过程利用大语言模型（LLM）识别事实，然后进一步处理为实体和关系。

来源：docs/core-concepts/memory-operations/add.mdx:40-49、docs/platform/advanced-memory-operations.mdx:111-113、examples/graph-db-demo/neptune-example.ipynb:11-13

会话范围限定与隔离

图谱记忆遵循与向量记忆相同的范围限定规则。使用 user_id、agent_id 和 run_id 等过滤器，确保在一个用户上下文中搜索"Alice"时不会返回另一个用户上下文中的"Alice"。

来源：docs/core-concepts/memory-operations/search.mdx:62-64、docs/core-concepts/memory-operations/search.mdx:159-175、docs/core-concepts/memory-types.mdx:50-57