Zep推出了新Agent记忆功能，主动分析隐藏关联

你的智能体记忆不应该等到查询触发才运作。现在所有的智能体记忆系统都在做两件相同的事：存储事实，以及在你提问时检索出正确的事实。

这个设计的前提是你已经知道该问什么。你只能得到你查询过的内容，完全不会得到存储的数据汇总后能推导出的结论。模式识别不在这个循环里。

模式识别指的是将存储的事实作为一个整体结构来分析，直接记下这个结构展示的信息，不需要等查询来触发。

举个例子，一个项目管理助手读取一周内的工程状态更新：Alice 被 API 迁移卡住，正在等 auth 服务重构。Bob 被支付功能卡住，也在等同一个重构。Clara 被结账功能卡住，而结账功能依赖 Bob 的支付工作。

所有陈述都被正确存储、正确检索。如果你问「团队被什么卡住了」，系统会准确返回六条结果，没有一条会告诉你「解开一个任务就能让三个人全部脱困」。

Clara 从来没提到过 auth 服务，所以她离真正的根因隔了两步。没人会查询这个关联，因为还没人能说出这个根因是什么。

要补上这个缺口，需要一个建立在检索之上的管线，而非一个更好的检索器。上方的示意图列出了它的四个阶段。

→ 原始片段是摄入的材料：实际的消息、JSON 载荷和文档。基于它们构建知识图谱，实体作为节点，陈述作为节点之间带标签的边。

→ 特征签名将每条边精简为它连接的两个实体加上关系类型。Alice 的更新有（API 迁移， Auth 服务），Bob 的更新也有这组实体，这个共享实体对就是这个阶段唯一重要的信息。

→ 聚类会把共享同一个特征签名的片段链接起来。Alice 和 Clara 没有共同实体，但她们依然会被分到同一个簇里，因为 Bob 的更新同时接触到两边，搭建了桥梁。

→ 观察结论是通过一次单约束的 LLM 调用，按簇生成的。模型接收实体和对应的支撑对话，然后给模式命名并做总结。

最后一步之前的所有流程都是纯图谱拓扑结构，没有嵌入，也没有相似度打分。这个区别很重要，因为基于嵌入的聚类只会把三条更新都归到「工程相关」分组，还会带上当周所有其他工程更新。

整个流程在新数据入库时就在后台运行，所以等有人想到要找这个模式的时候，结论已经写好了。

真正的转变是，从「检索人们说过什么」变成「分析他们聚合的数据展示了什么」。Zep 将这个功能做成了一个叫 Observations 的功能，底层的图谱引擎作为开源项目 Graphiti 发布。

Observations 是只读的，因为它们是图谱的结构属性，不是任何人维护的笔记，因此矛盾的证据会淘汰旧结论，模式会围绕当前实际阻塞工作的问题重新生成。

可以去 GitHub 查看：我已经写完了关于聚类逻辑的完整拆解