本文介绍如何利用 Anthropic Opus 5 模型的缓存和批处理特性，以低成本构建适用于 AI Agent 的时序知识图谱记忆系统。核心优化策略是将图谱操作分离为提取（ingestion）和查询（traversal）两个环节：提取时使用低 effort 模式并缓存固定前缀指令，使成本从 $5/M 降至 $0.50/M；查询时则使用高 effort 模式以保证推理质量。同时，利用批处理 API（50% 折扣）进行历史数据回填，并确保 effort 参数在会话间一致以避免缓存失效。文章提供了具体的 Python 代码、MCP 服务器配置以及 Neo4j 部署步骤，并对比了成本（5000 个 episode 的构建成本从 $35 降至约 $10.30），指出分离操作是控制成本的关键。
