EN DIRECT
Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|L'IA de Google reste évasive sur l'issue de l'élection américaine de 202028/10/26 · Google|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|OpenAI et ServiceNow élargissent leur partenariat autour des workflows d'entreprise28/10/26 · OpenAI|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic élargit son programme AI for Science à 20 fondations et instituts de recherche28/10/26 · Anthropic|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|L'IA de Google reste évasive sur l'issue de l'élection américaine de 202028/10/26 · Google|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|OpenAI et ServiceNow élargissent leur partenariat autour des workflows d'entreprise28/10/26 · OpenAI|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic élargit son programme AI for Science à 20 fondations et instituts de recherche28/10/26 · Anthropic|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|
AppEn hausseéditeur officiel

Zep / Graphiti

App : Un produit que vous utilisez directement

Mémoire à graphe de connaissances temporel pour agents, avec Graphiti en open source.

Le choix quand la mémoire doit comprendre le temps et les relations, pas juste retrouver des faits.

Score global
7.4 /10
Sécu : une réserve, lire la fiche
Utilité
8.0
Fiabilité
10.0
Sécurité
Une réserve
Facilité
Technique · Technique

La sécurité reflète la destination des données, les permissions demandées et les incidents recensés à la date de vérification. Ce n’est pas une garantie d’absence de risque : vérifiez le mode de déploiement et les connexions que vous activez.

Ce que ça fait, concrètement

Les agents IA oublient ce qu'ils ont appris dès qu'une conversation se termine, et les systèmes de mémoire classiques ne savent pas gérer des informations qui évoluent dans le temps. Zep et Graphiti répondent à ce problème en construisant un graphe de connaissances temporel : chaque fait est horodaté, et quand une information change, l'ancienne version est invalidée sans être effacée.

Concrètement, Graphiti ingère des données textuelles ou structurées (JSON, historiques de conversation, données métier) et les transforme en entités, relations et faits reliés entre eux. Chaque fait conserve une fenêtre de validité et une traçabilité jusqu'à la source brute. La recherche combine embeddings sémantiques, mots-clés (BM25) et traversée de graphe pour des requêtes précises en moins d'une seconde.

Graphiti est la couche open source, à déployer soi-même avec Neo4j, FalkorDB ou Amazon Neptune. Zep est la version managée, destinée aux équipes qui veulent une infrastructure prête pour la production : latence sous 200 ms, contrôle d'accès par attributs, politiques de rétention, journaux d'audit et déploiement dans votre propre cloud si nécessaire.

Cet outil s'adresse aux développeurs et équipes techniques qui construisent des agents IA nécessitant une mémoire persistante, personnalisée et cohérente dans le temps. Il n'est pas adapté aux utilisateurs non techniques ni aux projets qui n'ont pas besoin de suivre l'évolution des informations au fil du temps.

Ce que ça propose

  • ·Graphe de connaissances temporel : chaque fait possède une fenêtre de validité et est automatiquement invalidé quand une information plus récente le contredit.
  • ·Traçabilité complète : chaque entité et relation est reliée à l'épisode source (donnée brute) qui l'a produite.
  • ·Ingestion incrémentale : les nouvelles données s'intègrent immédiatement sans recalcul complet du graphe.
  • ·Recherche hybride : combinaison d'embeddings sémantiques, de recherche par mots-clés (BM25) et de traversée de graphe pour des résultats précis.
  • ·Ontologie prescrite ou apprise : les types d'entités et de relations peuvent être définis via des modèles Pydantic ou émerger automatiquement des données.
  • ·Compatibilité multi-bases de graphes : Neo4j, FalkorDB et Amazon Neptune sont supportés pour l'auto-hébergement.
  • ·Contrôle d'accès par attributs, politiques de rétention et journaux d'audit (payant) : gouvernance des données au niveau de la couche de données dans Zep.
  • ·Déploiement dans votre propre cloud (BYOC) avec latence de récupération sous 200 ms quelle que soit la taille du graphe (payant).

En pratique

Prix
Freemium
Usage commercial
Usage commercial : oui
Disponible sur
web, docker, cli
Licence
Apache-2.0

Sécurité et données

Pastille
Sécu : une réserve, lire la fiche
Vos données
Local ou cloud selon usage
Maintenance
Active
Dernière release
20 octobre 2026

Liens et dépôt vérifiés le 25 octobre 2026 · ajoutée le 1 août 2024

Comment installer Zep / Graphiti

1. Vérifiez que Python 3.10 ou supérieur est installé sur votre machine. 2. Installez Graphiti via pip : pip install graphiti-core (ou avec FalkorDB : pip install graphiti-core[falkordb]). 3. Lancez une base de graphe compatible : par exemple FalkorDB via Docker avec docker run -p 6379:6379 -p 3000:3000 -it --rm falkordb/falkordb:latest, ou Neo4j Desktop. 4. Définissez votre clé API OpenAI dans la variable d'environnement OPENAI_API_KEY (ou celle du fournisseur LLM choisi). 5. Suivez l'exemple de démarrage rapide fourni dans le dossier examples/quickstart du dépôt GitHub pour initialiser les index et tester l'ingestion. 6. Ne partagez jamais votre clé API dans le code source ; utilisez des variables d'environnement ou un gestionnaire de secrets.
pip install graphiti-core

Dans la même catégorie

Toute la catégorie Nourrir (mémoire, contexte) →