# Zep: A Temporal Knowledge Graph Architecture for Agent Memory

**Szerzők:** Preston Rasmussen, Pavlo Paliychuk, Travis Beauvais, Jack Ryan, Daniel Chalef (Zep AI)
**Dátum:** 2025. január
**ArXiv:** 2501.13956

---

## Core Concept

A Zep egy memória-réteg szolgáltatás AI agentek számára. Alapja a **Graphiti** — egy temporálisan tudatos (időbeliséget kezelő) knowledge graph engine, amely dinamikusan szintetizálja mind a strukturálatlan beszélgetési adatokat, mind a strukturált üzleti adatokat, megőrizve a történeti kapcsolatokat.

## Architektúra: 3-szintű Hierarchikus Knowledge Graph

### 1. Episode Subgraph (Epizód Gráf)
- Nyers input adatok: üzenetek, szöveg, JSON
- **Non-lossy adattárolás** — a teljes beszélgetés megmarad
- Epizódokból (beszélgetés-fordulókból) lesznek kinyerve a szemantikus entitások

### 2. Semantic Entity Subgraph (Szemantikus Entitás Gráf)
- **Entitások:** epizódokból kinyert és meglévő gráf-entitásokkal feloldott szereplők/fogalmak
- **Facts (tények):** entitások közötti kapcsolatok
- **Temporal Extraction:** tények érvényességi időszakának követése — edge invalidation mikor egy tény már nem érvényes

### 3. Community Subgraph (Közösségi Gráf)
- Legmagasabb absztrakciós szint
- Entitások és tények klaszterezése magasabb szintű közösségekbe

## Retrieval: Search + Reranker

- **Search:** gráf-alapú keresés a három szinten
- **Reranker:** a találatok újrarangsorolása a lekérdezés relevanciája alapján

## Benchmark Eredmények

| Benchmark | Zep | MemGPT (baseline) | Javulás |
|-----------|-----|-------------------|---------|
| **DMR** (Deep Memory Retrieval) | **94.8%** | 93.4% | +1.4% |
| **LongMemEval** | **+18.5%** accuracy | baseline | 18.5% |
| LongMemEval latency | **90% csökkenés** | baseline | 10x gyorsabb |

Kiemelkedő eredmények cross-session információszintézisben és hosszú távú kontextus fenntartásban.

## Miért Jobb Mint a Hagyományos RAG?

| RAG | Zep |
|-----|-----|
| Statikus dokumentum retrieval | Dinamikus, folyamatosan frissülő adatok |
| Nincs időbeliség | Tények érvényességi időszakának követése |
| Dokumentum-szintű | 3-szintű gráf (epizód → entitás → közösség) |
| Veszteséges retrieval | Non-lossy: nyers adat + szemantikus kivonat |

## OpenClaw Relevancia

- **Memóriastratégia validálása:** A jelenlegi dual-tier rendszer (daily logs + MEMORY.md) koncepcionálisan hasonló a Zep Episode + Semantic Entity szintjeihez
- **Temporal awareness:** A Zep időbeli érvényesség követése (edge invalidation) analóg a MEMORY.md "kurátori" szerepével — elavult tények eltávolítása
- **Non-lossy + extracted:** A daily log-ok = "episode" szint (nyers), a MEMORY.md = "semantic entity" szint (kivonatolt)
- **Community szint hiányzik:** A wiki knowledge base + topic mapping rendszer részben ezt a szerepet tölti be, de nem gráf-alapú
- **Search + Rerank:** A memory_search tool jelenleg egyszerű szemantikus keresést használ — a Zep-féle reranker javíthatná a találati pontosságot

## Idézetek

> "For agents to become pervasive in our daily lives, they will need access to a large corpus of continuously evolving data."

> "Entire conversation histories, business datasets, and other domain-specific content cannot fit effectively inside LLM context windows."

## Forrás

arXiv:2501.13956 — https://arxiv.org/abs/2501.13956