[{"data":1,"prerenderedAt":629},["ShallowReactive",2],{"blog-zep-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":23,"sources":27,"cover":46,"og":47,"expertise":48,"locales":49,"lang":52,"title":53,"description":54,"coverAlt":55,"metaTitle":56,"takeaways":57,"faq":63,"toc":76,"blocks":101,"others":374},"zep","2026-10-06",11,"rag",[9,10,11,12,13],"Agent memory","Knowledge graph","Temporal graph","Context engineering","RAG",[15,16,17,18,19,20,21,22],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","long-term memory for agents","temporal knowledge graph","zep cloud",[24],{"name":25,"url":26},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[28,31,34,37,40,43],{"title":29,"url":30},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":32,"url":33},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":35,"url":36},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":38,"url":39},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":41,"url":42},"Announcing a new direction for Zep's open-source strategy","https:\u002F\u002Fwww.getzep.com\u002Fblog\u002Fannouncing-a-new-direction-for-zeps-open-source-strategy\u002F",{"title":44,"url":45},"Graphiti: temporal knowledge graphs for AI agents (arXiv)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.13956","\u002Fimages\u002Fblog\u002Fzep\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fzep\u002Fog.jpg","ai-engineer",[50,51,52],"en","de","hu","Zep ismertető: ügynök-memory temporális gráfon","A Zep hostolt ügynök-memory API temporális tudásgráfon: kreditek íráskor, lekérdezés ingyen, Flex 125 dollártól havonta, a Graphiti az a rész, amit magunk üzemeltethetünk.","Öt kör cikkcakk láncban, egy elágazással, kis négyzetek hullanak rájuk, alattuk korongok.","Zep ismertető: memory, kreditek, üzemeltetés · Balázs Csorba",[58,59,60,61,62],"A Zep hostolt ügynök-memory API, amely a tényeket temporális tudásgráfban tárolja, és azt a kontextust adja vissza, amit a következő körben a modellnek látnia kell.","Kredit csak íráskor jár: epizódonként egy kredit 350 bájtig, míg a lekérdezés, a tárolás, a szálak és a felhasználók ingyenesek.","A self-serve tarifák: Free 10 000 kredittel, Flex 125 dollárért 50 000 kreditért, Flex Plus 375 dollárért 200 000 kreditért; a SOC 2 Type II és a HIPAA BAA az Enterprise szint marad.","A Zep Community Editiont 2025 áprilisában megszüntették, ezért a Graphiti az egyetlen rész, amit saját magunk üzemeltethetünk.","A kinyerés minden írásnál modellt futtat, ami miatt a költség attól függ, mennyit beszél az ügynök, a kinyerő hibái pedig csendesen rossz kontextussá válnak.",[64,67,70,73],{"q":65,"a":66},"Hogyan számláz a Zep?","Kreddel íráskor: a 350 bájtig tartó epizód 1 kredit, a 640 bájtos 2, az 1 200 bájtos 4 kredit. A lekérdezés, a tárolás, a szálak, a felhasználók és a gráftárolás ingyenes, így a sokat olvasó ügynök olcsón fut tovább.",{"q":68,"a":69},"Üzemeltethető önmagában a Zep?","Nem termékként. A Zep Community Editiont 2025 áprilisában megszüntették, a kód legacy mappában van; a Graphiti, a temporális gráfkönyvtár Apache-2.0 alatt helyben futtatható, a teljes szolgáltatás pedig a saját VPC-ben csak az Enterprise szinten érhető el.",{"q":71,"a":72},"Mennyibe kerül a Zep?","Az ingyenes szint havonta 10 000 kreditet ad, a Flex 125 dollár havonta 50 000 kreditért, túlfutással 25 dollár 10 000 kreditenként, a Flex Plus pedig 375 dollár 200 000 kreditért. Az Enterprise árat tárgyalják, és SOC 2 Type II-t, HIPAA BAA-t és deployálási opciókat ad hozzá.",{"q":74,"a":75},"Mi a különbség a Zep és egy csevegésnaplóhoz használt vektortároló között?","A vektortároló azt adja vissza, ami szövegileg hasonlít, beleértve a felülírt tényeket is, míg a Zep entitásokat és relációkat tárol érvényességi ablakokkal, így a lekérdezés megadhatja, mi igaz most és mi változott. Az ára: minden írásnál modellhívás, és annak hibái kontextussá válnak.",[77,80,83,86,89,92,95,98],{"id":78,"title":79},"what-it-is","Mi ez",{"id":81,"title":82},"how-it-works","Hogyan működik",{"id":84,"title":85},"getting-started","Első lépések",{"id":87,"title":88},"performance","Teljesítmény és költség",{"id":90,"title":91},"pricing","Árazás",{"id":93,"title":94},"where-it-shingles","Hol akad el",{"id":96,"title":97},"verdict","Ítélet",{"id":99,"title":100},"sources","Források",[102,110,113,116,136,154,155,158,167,170,171,174,176,179,186,187,190,238,241,249,252,253,256,266,267,270,316,319,325,326,329,342,346,347],{"type":103,"content":104},"paragraph",[105,106],"A Zep ügynök-memory szolgáltatás: az alkalmazás üzeneteket és tényeket küld, a szolgáltatás felhasználónként temporális tudásgráfot vezet, és minden hívásnál visszaadja azt a kontextust, amit a következő körben a modellnek látnia kell. ",{"tag":107,"children":108},"strong",[109],"A jó vásárlás azoknak a csapatoknak, amelyeknél az ügynök azért bukik, mert elfelejt, és rossz annak, amelyik mindent maga üzemeltet, mert az egyetlen saját üzemeltethető rész a Graphiti könyvtár.",{"type":103,"content":111},[112],"A szolgáltatás az alkalmazás és a modell közé ül, és kiváltja az otthonra szabott summary buffereket, a régi csevegésnaplókkal teli vektortárolókat, valamint a LangChain és a LlamaIndex memory segédfunkcióit. Vetélytársai a Mem0, a LangMem, egy Postgres-tábla embeddingekkel, valamint a modellszolgáltatók hosszú távú memory végpontjai; a különbség, hogy a Zep a tényeket érvényességi kezdettel és véggel tárolja, nem a múlt üzeneteinek lapos listájaként.",{"type":114,"level":115,"id":78,"text":79},"heading",2,{"type":103,"content":117},[118,119,123,124,127,128,131,132,135],"A termék egy kezelt API: ",{"tag":120,"children":121},"code",[122],"user.add"," a tartós tényekhez, ",{"tag":120,"children":125},[126],"thread.create"," és ",{"tag":120,"children":129},[130],"thread.add_messages"," a beszélgetéshez, ",{"tag":120,"children":133},[134],"graph.get_user_context"," a lekérdezéshez. A munka a beérkezéskor történik: egy kinyerő lépés minden epizódból entitást, relációt és időbélyegzős megfigyelést csinál, a lekérdezés pedig kontextusblokkot állít össze a tényeket alátámasztó adatokkal. Az open-source fele a Graphiti, egy Apache-2.0 licencű könyvtár, amely ugyanezt a temporális gráfkarbantartást végzi, tény szintű inkrementális frissítésekkel az éjszakai teljes újraindexelés helyett.",{"type":137,"ordered":138,"items":139},"list",false,[140,142,144,146,148,150,152],[141],"Licenc és tulajdonos: a Graphiti Apache-2.0, a Zep Software gondozza; maga a Zep memory szolgáltatás zárt, hostolt termék.",[143],"Önálló üzemeltetés: a Zep Community Editiont 2025 áprilisában megszüntették, kódja legacy mappába került, így a gráfengine helyben fut, a teljes szolgáltatás nem.",[145],"Mérés: 1 kredit 350 bájtig tartó epizódra, további 350 bájtonként vagy töredékénként még 1, webhook-hívásonként 1\u002F8 kredit.",[147],"Nincs mérve: lekérdezés, tárolás, szálak, felhasználók és gráftárolás ingyenes, így a sokat olvasó ügynök olcsón üzemben tartható.",[149],"Teljesítmény: a szolgáltató 148 ms p95-ös lekérdezési késést közöl 10 000 csomópontos gráfon és 168 ms-ot 100 milliós gráfon.",[151],"Benchmarkok: a szolgáltató által közölt 94,7 százalék LoCoMón és 90,2 százalék LongMemEvalen, két hosszú beszélgetéses memory benchmarkon.",[153],"Deployálás: felhő, ügyfél által kezelt kulcsokkal működő felhő vagy saját VPC-n belüli bring-your-own-cloud; a SOC 2 Type II és a HIPAA BAA az Enterprise tarifához tartozik.",{"type":114,"level":115,"id":81,"text":82},{"type":103,"content":156},[157],"Minden elküldött üzenet vagy tény egy epizód. A kinyerő lépés modellt kér arra, hogy ismerje fel az entitásokat és relációkat, érvényességi ablakkal írja őket a gráfba, és csak azokat a csomópontokat érinti, amelyet az epizód érint: a javítás lezárja az előző intervallumot a felülírás helyett. A lekérdezés ezután bejárja a gráfot a jelenlegi kérdés témája körül, kiveszi az még érvényes tényeket és a legfrissebb epizódokat, és tokenkereten belül kontextusstringet ad vissza.",{"type":159,"attrs":160,"inner":164,"caption":165},"diagram",{"viewBox":161,"role":162,"aria-labelledby":163},"0 0 760 300","img","d-zep-t d-zep-d","\u003Ctitle id=\"d-zep-t\">Ahogy egy tény eljut a promptig\u003C\u002Ftitle>\u003Cdesc id=\"d-zep-d\">Az alkalmazás által írt üzenetek és tények egy felhasználónkénti, érvényességi ablakkal rendelkező entitás- és kapcsolatgráffá alakulnak. Minden hívásnál a lekérdezés bejárja ezt a gráfot, kihagyja a felülírt állításokat, és a kontextusblokkot a tényeket alátámasztó adatokkal együtt adja vissza.\u003C\u002Fdesc>\u003Cdefs>\u003Cmarker id=\"ah-n\" viewBox=\"0 0 10 10\" refX=\"9\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto-start-reverse\">\u003Cpath d=\"M0 0L10 5L0 10z\" class=\"d-head\" \u002F>\u003C\u002Fmarker>\u003Cmarker id=\"ah-na\" viewBox=\"0 0 10 10\" refX=\"9\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto-start-reverse\">\u003Cpath d=\"M0 0L10 5L0 10z\" class=\"d-head-accent\" \u002F>\u003C\u002Fmarker>\u003C\u002Fdefs>\u003Crect x=\"270\" y=\"18\" width=\"220\" height=\"72\" rx=\"12\" class=\"d-accent\" \u002F>\u003Ctext x=\"380\" y=\"48\" text-anchor=\"middle\" class=\"d-text\">kontextusgráf\u003C\u002Ftext>\u003Ctext x=\"380\" y=\"72\" text-anchor=\"middle\" class=\"d-small\">entitások és tények az időben\u003C\u002Ftext>\u003Crect x=\"10\" y=\"188\" width=\"140\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"80\" y=\"221\" text-anchor=\"middle\" class=\"d-text\">Alice\u003C\u002Ftext>\u003Crect x=\"200\" y=\"223\" width=\"140\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"270\" y=\"256\" text-anchor=\"middle\" class=\"d-text\">CRM-migráció\u003C\u002Ftext>\u003Crect x=\"420\" y=\"223\" width=\"140\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"490\" y=\"256\" text-anchor=\"middle\" class=\"d-text\">Snowflake\u003C\u002Ftext>\u003Crect x=\"610\" y=\"188\" width=\"140\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"680\" y=\"221\" text-anchor=\"middle\" class=\"d-text\">Q3-határidő\u003C\u002Ftext>\u003Cpath d=\"M380 92 L80 181\" class=\"d-line\" marker-end=\"url(#ah-n)\" \u002F>\u003Cpath d=\"M380 92 L270 216\" class=\"d-line\" marker-end=\"url(#ah-n)\" \u002F>\u003Cpath d=\"M380 92 L490 216\" class=\"d-line\" marker-end=\"url(#ah-n)\" \u002F>\u003Cpath d=\"M380 92 L680 181\" class=\"d-line\" marker-end=\"url(#ah-n)\" \u002F>\u003Cpath d=\"M150 229 L196 245\" class=\"d-dash d-line\" \u002F>\u003Cpath d=\"M340 250 L416 250\" class=\"d-dash d-line\" \u002F>\u003Cpath d=\"M560 245 L606 229\" class=\"d-dash d-line\" \u002F>\u003Ctext x=\"380\" y=\"244\" text-anchor=\"middle\" class=\"d-small\">dolgozik rajta\u003C\u002Ftext>\u003Ctext x=\"380\" y=\"294\" text-anchor=\"middle\" class=\"d-small\">felváltja\u003C\u002Ftext>\u003Cpath d=\"M270 44 L214 44 L214 160 L80 160 L80 181\" class=\"d-line-accent\" marker-end=\"url(#ah-na)\" \u002F>\u003Ctext x=\"206\" y=\"120\" text-anchor=\"end\" class=\"d-small\">get_user_context\u003C\u002Ftext>",[166],"A gráf felhasználónként és szálonként készül, a lekérdezés pedig kontextusblokkot állít össze, nem hasonlóság szerint rendezett chunk-listát.",{"type":103,"content":168},[169],"A döntő tervezési választás temporális, nem vektoros. Egy ténynek élettartama van, így a gráf meg tudja mondani, mi igaz most, mi mikor változott, és két ellentétes állítás közül melyik váltja fel a másikat. Egy összefoglaló puffer erre második rendszer nélkül nem képes, a tiszta vektoros lekérdezés pedig azt adja vissza, ami szövegileg hasonlít, beleértve a tény múlt héten javított elavult változatát.",{"type":114,"level":115,"id":84,"text":85},{"type":103,"content":172},[173],"A hostolt quickstart négy hívásból áll. Az alábbi kódrészlet eltárol egy tényt, létrehoz egy szálat, hozzáfűz egy üzenetet, és lekéri azt a kontextust, amit a modellnek kapnia kellene.",{"type":120,"code":175},"from zep_cloud.client import Zep\n\nclient = Zep(api_key=\"zep-...\")\n\n# durable facts, extracted into the context graph\nclient.user.add(user_id=\"alice\", fact=\"Alice leads the migration off the legacy CRM\")\n\n# episodic history: writes are charged as credits by size, retrieval is free\nclient.thread.create(thread_id=\"t-1\", user_id=\"alice\")\nclient.thread.add_messages(\n    thread_id=\"t-1\",\n    messages=[{\"role\": \"user\", \"content\": \"Where did we stop on the CRM migration?\"}],\n)\n\n# what the assistant should see on this turn\ncontext = client.graph.get_user_context(user_id=\"alice\", max_facts=25)\nprint(context.context)",{"type":103,"content":177},[178],"Két dolog másképp működik, mint egy vektortárolónál. Első: a beírás aszinkron és fizetős, ezért a természetes minta az, hogy az üzeneteket a történéskor küldjük, a kontextust pedig körönként egyszer olvassuk ki. Másodszor: a lekérdezés szöveget ad vissza a támasztó tényekkel, nem chunk-azonosítókat, ami az összefoglalás döntését a promptból a szolgáltatás viszi át; kényelmes, de amit a modell most lát, annak minősége már a Zep kinyerési minősége is, nem csak a saját promptunké.",{"type":180,"variant":181,"title":182,"body":183},"callout","tip","A memory-írások modellhívások",[184],[185],"Minden epizódot modell bont ki, mielőtt a gráfba kerül, ezért a fecsegő ügynök, amely nyers eszközkimenetet tölt be, égeti a krediteket, és ami fontosabb: örökli azt, amit a kinyerő ténynek tart. Üzenetet küldjön, ne eszköz-dumpot, korlátozza a lekért tények számát hívásonként, és az első száz kör után olvassa el, mit hisz a szolgáltatás a felhasználóról.",{"type":114,"level":115,"id":87,"text":88},{"type":103,"content":188},[189],"A költség kredit, a kredit pedig bájt: egy 700 bájtos üzenet 2 kredit, a Flex havi 50 000 kredite tehát nagyjából 25 000 átlagos üzenetet bír, mielőtt jön a túlfutás 25 dollárral 10 000 kreditenként. A szokatlan rész az, hogy a lekérdezést nem mérik, pedig azt hívja az ügynök minden körben; a számláló csak íráskor pörög.",{"type":191,"head":192,"rows":201},"table",[193,195,197,199],[194],"Művelet",[196],"Kreditköltség",[198],"Mikor számlázva",[200],"Mire figyeljen",[202,211,220,229],[203,205,207,209],[204],"Epizód 350 bájtig",[206],"1",[208],"Minden írásnál: üzenet, tény vagy JSON payload",[210],"A beillesztett nyers eszközkimenet a szokásos túllövés",[212,214,216,218],[213],"Minden további 350 bájt",[215],"+1",[217],"Epizódonként, felfelé kerekítve",[219],"Egy 1 200 bájtos epizód már 4 kredit",[221,223,225,227],[222],"Webhook-hívás",[224],"1\u002F8",[226],"Ahol a webhook be van kapcsolva",[228],"A sokat beszélő automatizációk csendben összeállnak",[230,232,234,236],[231],"Lekérdezés, tárolás, felhasználók",[233],"0",[235],"Soha",[237],"A sokat olvasó ügynök olcsó marad",{"type":103,"content":239},[240],"A self-serve tarifák: Free 10 000 kredittel havonta, Flex 125 dollárért 50 000 kreditért, Flex Plus 375 dollárért 200 000 kreditért, túlfutással 25 dollár 10 000, illetve 75 dollár 40 000 kreditenként. A késési számok szolgáltatóiak: 148 ms p95 lekérdezés 10 000 csomópontnál és 168 ms 100 milliónál, tehát nem esik vissza láthatóan a mérettel, és semmit sem mond a megelőző kinyerő lépés késéséről.",{"type":137,"ordered":138,"items":242},[243,245,247],[244],"A tarifát írásokra méretezze, nem olvasásokra: napi üzenetek száma szorozva átlagos bájttal szorozva kreddel szorozva harminccal.",[246],"Távolítsa el a nyers eszköztartalmat, mielőtt epizód lenne; az összefoglalt eszközeredmény töredékébe kerül egy átiratnak.",[248],"Állítson be ténybudgetet a lekérdezésnél, hogy a kontextusblokk nőjön rendszerszöveggé, amit senki nem olvas el.",{"type":103,"content":250},[251],"Ebből semmi sem szokatlan a memory-szolgáltatóknál: mindannyian az írásokat számlázzák és olcsó olvasást ígérnek. Az itteni kockázat a kinyerő lépés, mert amit a kinyerő kihagy, azt később már nem lehet lekérni: a nyers üzenetekből, ha tényekké váltak, nincs második kör.",{"type":114,"level":115,"id":90,"text":91},{"type":103,"content":254},[255],"Az ároldal kreditalapú self-serve tarifákat és egy tárgyalt Enterprise tarifát sorol fel. A fizetős belépő a jelenlegi oldalon a Flex 125 dollárral havonta, alatta csak az ingyenes szint van; az Enterprise egyedi krediteket, garantált rate limiteket és a megfelelőségi papírokat adja.",{"type":137,"ordered":138,"items":257},[258,260,262,264],[259],"Free: 10 000 kredit havonta, két projekt, egy Memory MCP szerver-ülv, változó rate limit, nincs átmentés.",[261],"Flex: 125 dollár havonta 50 000 kreditért, utána 25 dollár 10 000enként, 600 kérés percenként, öt projekt, 30 napos átmentés, közösségi támogatás.",[263],"Flex Plus: 375 dollár havonta 200 000 kreditért, utána 75 dollár 40 000enként, 1 000 kérés percenként, observations, webhookok, analitika és hét nap API-napló.",[265],"Enterprise: egyedi kredit és ár, SOC 2 Type II, HIPAA BAA, egy év audit- és API-napló, DPA EU-s ügyfeleknek, deployálás a saját VPC-ben.",{"type":114,"level":115,"id":93,"text":94},{"type":103,"content":268},[269],"Kezdje a deployálási gyengeséggel: mióta a Community Editiont 2025 áprilisában megszüntették, a gráfengine, a Graphiti helyben fut, a termék nem, így a légzár vagy szabályozott üzemeltetés Enterprise-téma, a self-serve szinteken pedig nincs SOC 2 Type II és nincs BAA. Másodszor: a memory csak olyan jó, mint a kinyerés, a kinyerés pedig modellhívás, így a kitalált reláció vagy a kihagyott frissítés nem kérdezhető hiba, hanem csendesen rossz kontextus. Harmadszor: a kreditelszámolás attól függővé teszi a költséget, mennyit beszél az ügynök, nem attól, hány felhasználót szolgál ki. Negyedszer: a gráf más hibakeresési felület, mint a csevegésnapló: hogy a modell miért látott egy tényt, csak a gráf magyarázza meg, nem az átirat.",{"type":191,"head":271,"rows":280},[272,274,276,278],[273],"Eszköz",[275],"Mi az",[277],"Hol győz",[279],"Miről mond le",[281,289,298,307],[282,283,285,287],[25],[284],"Hostolt memory API temporális kontextusgráffal",[286],"Érvényességi ablakkal rendelkező tények és a szolgáltató szerint 170 ms alatti p95",[288],"Nincs önállóan üzemeltethető termék, minden írás kreditbe kerül",[290,292,294,296],[291],"Mem0",[293],"Open-source memory réteg hostolt opcióval",[295],"Egyszerűbb API és saját kiszolgáló",[297],"Laposabb memory-modell, kevesebb temporális könyvelés",[299,301,303,305],[300],"LangMem és LangGraph",[302],"Memory építőelemek egy graph frameworkben",[304],"Memory a meglévő ügynökök és tárolók mellett",[306],"A tárolást, a kinyerést és a lekérdezést magának kell összeraknia",[308,310,312,314],[309],"Postgres és embeddingek",[311],"Csevegésnapló táblában, fölötte hasonlóságkeresés",[313],"Nincs új szolgáltató, teljes adatkontroll",[315],"Nincs temporális érvelés, a felülírt tények továbbra is kérhetők",{"type":103,"content":317},[318],"A valódi kérdés az, hogy az elfelejtés-e a hibaforma. Ha az ügynökök megismétlik magukat, ülésről ülésre elveszítenek döntéseket, vagy nem tudják megmondani, mi változott, arra a gráf érvényességi ablakokkal közvetlenül válaszol. Ha a lekérdezés folyamatosan rossz dokumentumot hoz, a memory az egészben nem a megfelelő réteg, és ugyanannyi erőforrás a chunkingba és a rerankingbe hamarabb megtérül.",{"type":180,"variant":320,"title":321,"body":322},"warn","A poisoning memory-probléma",[323],[324],"Egyetlen üzenet, weboldal vagy dokumentum, amely bekerül a memoryba, alakíthatja az összes későbbi ülést, amely olvassa, ezért a Zep 2026 szeptemberében közölt bejegyzést arról, hogyan védhető meg az agent memory a poisoning ellen. Az írást kezelje megbízható bemenetként: felhasználónként izolálja, korlátozza, mely források írhatnak tényeket, és tartsa a lekérdezési budgetet elég kicsinek, hogy egy megmérgezett tény ne szoríthassa ki a rendszerszöveget.",{"type":114,"level":115,"id":96,"text":97},{"type":103,"content":327},[328],"A Zep jó termék, egyértelmű belépőárral: az elfelejtést jól oldja meg, és az ára az, hogy az egészet nem lehet magunk üzemeltetni. Akik ügynököket visznek ki fizető felhasználókhoz, ahol a látható hiba az, hogy az ügyfél kétszer kapja meg ugyanazt a kérdést, azok vegyék. Akiknél adatmegmaradási követelmény van, azok a Graphitire építsenek, és a körülötte lévő szolgáltatást tartsák sajátban.",{"type":137,"ordered":330,"items":331},true,[332,334,336,338,340],[333],"Vegye, ha az ügynök azért bukik, mert elfelejt, és a hiba megismételt kérdésekben vagy ülések között elveszett döntésekben mutatkozik meg.",[335],"Vegye, ha a memory-írások emberi üzenetek: a kreditmodell akkor a legolcsóbb, ha az epizódok rövidek és ritkák.",[337],"Ne vegye önálló üzemeltetéssel, mert 2025 áprilisa óta csak a Graphiti az öné, minden más a Zep felhőjében él.",[339],"Ne vegye, ha a lekérdezés minősége és nem a memory a probléma, mert egy memory réteg sem javít ki egy rossz indexet.",[341],"Költségvetést készítsen a kinyerő lépésre: minden írás modellhívás, így a költség az ügynök szószátyárságát követi, nem a felhasználók számát.",{"type":343,"content":344},"quote",[345],"Az agent memory állapotkezelési probléma AI-jelmezben: egy gráf, amely élettartamot ad a tényeknek, pontosan az, amit a summary buffer nem tud megadni, a számla pedig egy modellhívás minden megjegyezni kívánt üzenetért.",{"type":114,"level":115,"id":99,"text":100},{"type":137,"ordered":330,"items":348},[349,354,358,362,366,370],[350],{"tag":351,"href":30,"children":352},"a",[353],"Zep árazás: tarifák, kreditek és korlátok",[355],{"tag":351,"href":33,"children":356},[357],"Zep dokumentáció",[359],{"tag":351,"href":36,"children":360},[361],"Graphiti a GitHubon",[363],{"tag":351,"href":39,"children":364},[365],"Graphiti termékoldal",[367],{"tag":351,"href":42,"children":368},[369],"Új irány a Zep open-source stratégiájában",[371],{"tag":351,"href":45,"children":372},[373],"Graphiti: temporális tudásgráfok AI-ügynökökhöz (arXiv)",[375,450,510,568],{"slug":376,"published":377,"minutes":378,"category":7,"tags":379,"keywords":384,"about":397,"sources":407,"cover":444,"og":445,"expertise":48,"locales":446,"lang":52,"title":447,"description":448,"coverAlt":449},"embedding-model-selection-2026","2026-10-17",9,[380,13,381,382,383],"Embeddings","MTEB","Vector search","Model selection",[385,386,387,388,389,390,391,392,393,394,395,396],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[398,401,404],{"name":399,"url":400},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":402,"url":403},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":405,"url":406},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[408,411,414,417,420,423,426,429,432,435,438,441],{"title":409,"url":410},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":412,"url":413},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":415,"url":416},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":418,"url":419},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":421,"url":422},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":424,"url":425},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":427,"url":428},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":430,"url":431},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":433,"url":434},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":436,"url":437},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":439,"url":440},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":442,"url":443},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[50,51,52],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":451,"published":377,"minutes":452,"category":7,"tags":453,"keywords":457,"about":469,"sources":479,"cover":504,"og":505,"expertise":48,"locales":506,"lang":52,"title":507,"description":508,"coverAlt":509},"contextual-retrieval-late-chunking",10,[13,454,380,455,456],"Chunking","Contextual retrieval","Late chunking",[458,459,460,461,462,463,464,465,466,467,468],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[470,473,476],{"name":471,"url":472},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":474,"url":475},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":477,"url":478},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[480,483,486,489,492,495,498,501],{"title":481,"url":482},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":484,"url":485},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":487,"url":488},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":490,"url":491},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":493,"url":494},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":496,"url":497},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":499,"url":500},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":502,"url":503},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[50,51,52],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":511,"published":377,"minutes":378,"category":7,"tags":512,"keywords":516,"about":529,"sources":537,"cover":562,"og":563,"expertise":48,"locales":564,"lang":52,"title":565,"description":566,"coverAlt":567},"rag-access-control-permissions",[13,513,514,515,382],"Access control","Security","Multi-tenancy",[517,518,519,520,521,522,523,524,525,526,527,528],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[530,533,536],{"name":531,"url":532},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":534,"url":535},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":471,"url":472},[538,541,544,547,550,553,556,559],{"title":539,"url":540},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":542,"url":543},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":545,"url":546},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":548,"url":549},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":551,"url":552},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":554,"url":555},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":557,"url":558},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":560,"url":561},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[50,51,52],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":569,"published":377,"minutes":452,"category":7,"tags":570,"keywords":575,"about":587,"sources":595,"cover":622,"og":623,"expertise":624,"locales":625,"lang":52,"title":626,"description":627,"coverAlt":628},"rag-product-catalog-pim-data",[13,571,572,573,574],"PIM","Product data","B2B e-commerce","Metadata filtering",[576,577,578,579,580,581,582,583,584,585,586],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[588,591,592],{"name":589,"url":590},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":471,"url":472},{"name":593,"url":594},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[596,599,602,605,607,610,613,616,619],{"title":597,"url":598},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":600,"url":601},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":603,"url":604},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":606,"url":594},"ETIM International: Classification",{"title":608,"url":609},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":611,"url":612},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":614,"url":615},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":617,"url":618},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":620,"url":621},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[50,51,52],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261158890]