文章批评当前 Agent 记忆系统仍停留在“存事实、取事实”阶段：能准确返回检索结果，却无法发现隐藏在多个会话之间的结构性依赖。以项目管理助手为例，三位工程师各自上报阻塞，分开看是三个问题，本质上都指向同一个未完成的后端任务；而纯检索无论怎么调 reranker 都找不出这根依赖链。解法是 Zep 的 Observations：先用确定性算法把每条事实压缩成 (实体A, 实体B, 关系) 的签名，再以会话为节点、共享签名为边构建会话图，把跨会话的传递依赖连成连通分量；最后只让 LLM 把算法选定的结构写成可读摘要，模型不参与分组。作者强调这套方法不用 embedding、不用语义相似度、不用 ML 模型，纯粹靠图拓扑。面向做 Agent 记忆、知识图谱与上下文工程的工程师。注意：内容为 Zep 赞助的深度技术解说，理性看待其定位。
Graphify 是一个开源工具，能够将代码、文档、PDF、图片等资源转化为结构化的知识图谱。它使用 tree-sitter 在本地进行确定性 AST 解析，无需 LLM 即可提取代码中的调用、继承、引用等关系；对于非代码文件，则通过 AI 助手进行语义提取。生成的图谱支持交互式可视化（graph.html）、CLI 查询（graphify query/path/explain），并可作为 MCP 服务器供团队共享。所有边均标记为“显式提取”或“推断”，明确区分原始代码中的直接关系与解析生成的间接关系。适合需要在大型代码库中快速定位概念、追溯依赖、理解架构的工程师。
传统 RAG 在处理多实体关联的复杂问题时效果有限，微软、斯坦福与 Anthropic 各自独立发现图工程（知识图谱）可显著提升 AI 系统准确性。微软 GraphRAG 将非结构化文本转为知识图谱，实现 18% 准确率提升、85% Token 成本降低；斯坦福 DSPy 和 STORM 将模型视为图中的一个节点，并证明小模型配合优质图谱可超越大模型；Anthropic 通过 Claude 结合 MCP 协议，在 LaunchNotes 案例中实现事故检测速度提升 5 倍、会议时间减少 50%。文章提供了完整的图工程流水线、五个核心 Prompt 模板以及五个落地商业场景，适合正在优化 RAG 系统或探索知识图谱与 LLM 结合的工程师。
Graphify 是一个将代码库、文档、PDF、图片和视频映射为知识图谱的开源工具，专为 AI 编程助手（如 Claude Code、Cursor、Gemini CLI 等 20+ 平台）设计。它使用 tree-sitter AST 对代码进行确定性解析（完全本地、无需 LLM），对文档/媒体则通过 AI 助手模型做语义提取。输出是一个可交互的 HTML 可视化、一份 Markdown 报告和可复用的 graph.json，支持用户通过自然语言查询、路径追踪和概念解释。每一条边都带有置信度标签（EXTRACTED / INFERRED），让开发者明确区分“读到的”和“推测的”。适合需要快速理解大型陌生代码库或在长尾维护中依赖 AI 助手的工程师。
这是一个专为 AI 编程与安全助手设计的结构化网络安全技能库，并不是传统的脚本合集或渗透测试工具包。项目包含 754 个可执行的安全技能，覆盖 26 个安全领域，每项技能都用 YAML 前置元数据和分步骤的 Markdown 工作流编码了资深分析师的决策逻辑。核心价值在于把从业者的隐性知识转化为 AI 能直接发现、加载和执行的标准化指令，让通用大模型在网络安全调查中具备专家级操作能力。所有技能都映射到了 MITRE ATT&CK、NIST CSF 2.0 等五大威胁与治理框架，适合希望将 AI 智能体引入安全运维、事件响应和威胁狩猎等一线工作的工程师和研究员。
YC 首席执行官 Garry Tan 以第一人称视角详述了其累计 10 万页、100 余个技能的 AI 智能体系统 GBrain 的构建历程与核心架构。文章反驳了将 AI 视为聊天窗口的浅层用法，提出“瘦胶水、胖技能、胖数据”的设计哲学：以 OpenClaw 等轻量级运行体作为调度层，将可复用的工作流封装为自包含的技能（skill），并通过一个名为 Skillify 的元技能来迭代创建新技能。文中以“书籍镜像”工作流（将书中观点映射至个人人生经历）为例，展示了从最初包含事实错误到引入多模型交叉校验、深度检索的演进过程，以及会议预演、实体传播等场景如何依赖持续增长的上下文图谱实现自动化。全文提供具体的架构说明、代码仓库链接与启动指南，适合希望构建可不断增值的个人 AI 基础设施的一线开发者阅读。