刚挖到一个超酷的 OpenAI 官方开源示例
它干了件大事：
✅ 把时间维度+知识图谱融入 AI 智能体！
不再是“问完就忘”的聊天机器人，而是能：
记住“用户上周提过的需求”
理解“产品A → 依赖 → 组件B → 影响 → 客户C”
在复杂业务中做带上下文推理的决策！
💡 核心思路：
用Neo4j存储实体关系（谁、做了什么、何时发生），
再让 GPT 智能体实时查询+更新这张“动态记忆网”。
举个栗子🌰：
用户说：“上次会议提到的那个 bug 修了吗？”
Agent 自动查知识图谱 → 找到3天前的会议记录 → 关联 Jira 工单 → 返回最新状态！
✨ 适合场景：
企业级智能客服
项目管理助手
审计/合规追踪
多轮复杂任务自动化
让 AI 智能体不仅能“回答问题”，还能“记住事件”、“理解实体间关系”、“基于时间线推理”。
传统 LLM 的局限：
上下文窗口有限（即使 128K 也终会遗忘）；
无法主动关联历史对话中的实体（如“上次提到的张总”）；
对“何时发生”、“谁影响了谁”等时序+因果关系无结构化建模。
而本项目通过知识图谱（Knowledge Graph） + 时间戳（Temporal Metadata）解决这些问题。
项目代码展示了以下关键组件的集成：
1. 智能体（Agent）
基于LangChain构建，使用OpenAI Function Calling调用工具；
具备规划、工具选择、循环反思能力（类似 ReAct）。
2. 知识图谱存储（Neo4j）
使用Neo4j 图数据库存储三元组：
(Entity)-[Relationship {timestamp}]->(Entity)
(:Person{name:"Alice"})-[:SUBMITTED{time:"2025-12-01T10:00:00Z"}]->
(:Task{title:"Fix login bug"})
3. 时序感知的工具（Temporal Tools）
自定义工具如：
query_recent_events(days=7)查最近7天相关事件； update_task_status(task_id, status)更新任务状态并记录时间； find_related_entities(entity)通过图遍历找关联人/事/物。
4. 记忆写入与检索闭环
每次 Agent 执行动作后，自动将关键信息存入 Neo4j；
下次用户提问时，先查询图谱获取上下文，再生成回答。
✅ 这实现了 “感知 → 决策 → 行动 → 记忆” 的完整智能体循环。
方案流水线如下:
文档语义分块（Semantic Chunking） 语句拆分与原子事实抽取（Atomic Statement Extraction） 时序标注（Temporal Type/Statement Type 打标签） 时效区间抽取（valid_at/invalid_at精确定位） 时序三元组抽取（Subject-Predicate-Object+Time） 实体规范化解析（Entity Resolution） 失效事件处理（Invalidation Agent） 存储至数据库，自动化知识基迭代
