核心用法
Graphiti 技能通过 REST API 与 Graphiti 知识图谱服务交互，提供两大核心能力：
1. 知识搜索 (graphiti_search)：基于语义查询检索图谱中的相关事实，支持自定义返回数量
2. 记忆添加 (graphiti_add)：将新信息作为 episode 注入知识图谱，自动提取实体与关系
配置采用三层降级机制：Clawdbot 配置 → 环境变量 → 本地默认地址，便于灵活部署。
显著优点
- 动态服务发现：无需硬编码地址，自动适配不同网络环境
- LLM 原生设计：Graphiti 专为 AI 应用优化，自动完成实体/关系抽取
- 混合存储架构：Neo4j 处理图结构，Qdrant 负责向量语义搜索
- 开源可扩展：基于 Zep 开源项目，社区活跃
潜在局限
- 基础设施沉重：必须同时运行 Neo4j + Qdrant + Graphiti 三个服务
- 网络依赖强：REST 调用失败时无本地降级方案
- 学习成本：需理解图数据库概念和 Graphiti 的 episode 数据模型
- 调试困难：分布式环境下的错误追踪较复杂
适合人群
- 构建长期记忆 AI 应用的开发者
- 需要语义知识检索的 RAG 系统架构师
- 已有 Docker/K8s 运维能力的团队
常规风险
- 未配置认证：Graphiti 默认无鉴权，暴露端口可能导致数据泄露
- 注入风险：用户输入直接拼接入 JSON 请求体，需确保内容转义
- 资源耗尽：大规模图谱查询可能拖垮 Neo4j 内存
- 版本兼容性：Graphiti 迭代快，API 可能变动
部署建议
生产环境务必：启用 Neo4j 认证、配置防火墙限制 Graphiti 端口、设置资源配额监控。