Cognee：面向AI Agent的开源持久化记忆平台

这是什么

Cognee 是一个开源的 AI 记忆平台（AI Memory Platform），旨在为 AI Agent（智能体）提供跨会话的持久化长期记忆能力。它允许开发者将任意格式的数据摄入系统，构建自托管的知识图谱（Knowledge Graph），使 AI 能够基于完整上下文进行回忆、关联和操作。

Cognee 的核心设计理念是将向量嵌入（Vector Embeddings）、图推理（Graph Reasoning）以及基于认知科学的本体生成（Ontology Generation）相结合。这不仅让文档可以通过语义进行检索，还能通过不断演进的实体关系将知识连接起来，从而解决大语言模型（LLM）固有的“上下文窗口限制”和“遗忘”问题。

该项目由 topoteretes 维护，主语言为 Python，在 GitHub 上已获得超过 18,000 星。它支持本地部署以及通过 Cognee Cloud 进行托管服务。

解决的问题

传统 AI 应用面临以下核心痛点，Cognee 试图从架构层面解决：

1. 缺乏长期记忆：LLM 本身是无状态的，每次交互都依赖当前的 Prompt 上下文。一旦上下文窗口耗尽或会话结束，之前的对话细节、用户偏好和历史事实就会丢失。
2. 数据孤岛与碎片化：企业数据分散在数据库、文档、聊天记录等多种来源中，难以形成统一的知识视图供 Agent 调用。
3. 检索增强生成（RAG）的局限性：传统的 RAG 仅基于向量相似度检索，容易丢失实体间的复杂关系（如“谁在什么时间对谁做了什么”），导致推理能力不足。
4. 信任与可追溯性缺失：在企业级应用中，Agent 的决策过程需要可审计，且不同租户/用户的数据必须严格隔离，防止数据泄露。

核心功能

Cognee 提供了一套完整的记忆管理生命周期，主要包含以下四个核心 API 操作：

• Remember（记忆）：
  • 永久记忆：将数据摄入并构建到知识图谱中（执行 add -> cognify -> improve 流程）。
  • 会话记忆：快速缓存当前会话的数据，并在后台异步同步到永久图谱中。
• Recall（回忆）：
  • 自动路由检索：系统自动选择最佳的搜索策略（向量搜索或图遍历）来回答查询。
  • 混合检索：支持先查询会话记忆，若未命中则回退到永久知识图谱。
• Forget（遗忘）：
  • 提供数据删除机制，支持按数据集或特定 ID 清理记忆，满足隐私合规要求。
• Improve（优化）：
  • 通过反馈循环优化知识图谱的结构和检索效果，使 Agent 能够从错误中学习并更新记忆。

技术架构亮点：

• 自托管知识图谱：不依赖外部专有图谱服务，支持本地运行。
• 多模态摄入：支持多种数据格式的自动解析和结构化。
• OTEL 集成：内置 OpenTelemetry 支持，提供完整的可观测性和审计轨迹。
• 租户隔离：支持 Agentic User/Tenant Isolation，确保多租户环境下的数据安全。

亮点 / 与同类相比

与 LangChain、LlamaIndex 等通用 RAG 框架相比，Cognee 的独特优势在于其**“记忆优先”和“图谱增强”**的定位：

1. 从 RAG 到 Memory Graph：
   • 传统 RAG 框架侧重于“检索-生成”管道，而 Cognee 侧重于构建一个动态演进的知识图谱。它不仅存储文档片段，还显式地建模实体之间的关系，使得 Agent 具备更强的复杂推理能力。
2. 认知科学驱动的本体生成：
   • Cognee 引入了基于认知科学的本体生成技术，这意味着它不仅仅是提取关键词，而是尝试理解数据背后的概念结构，使知识表示更符合人类认知逻辑。
3. 无缝的 Agent 集成生态：
   • 提供了针对主流 Agent 框架的插件，如 OpenClaw 和 Claude Code。例如，Claude Code 插件可以自动捕获工具调用（Tool Calls）并同步到永久记忆，实现了“越用越聪明”的效果。
4. 开箱即用的 UI 与 CLI：
   • 提供 cognee-cli 命令行工具和本地 Web UI，方便开发者快速测试和可视化知识图谱的构建过程。
5. 研究背书：
   • 基于 2025 年发表的研究论文《Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning》，在知识图谱与大模型接口的优化上有学术支撑。

适合谁用 / 上手

适合人群：

• AI Agent 开发者：需要为 Agent 添加长期记忆、上下文管理和跨会话学习能力的团队。
• 企业级应用构建者：需要构建“公司大脑”（Company Brain），统一内部数据源，并确保数据隐私和审计合规的企业。
• RAG 进阶用户：发现传统向量检索在复杂关系推理上存在瓶颈，希望引入图数据库能力的开发者。

快速上手指南：

1. 环境要求：Python 3.10 - 3.14。
2. 安装：

   uv pip install cognee
   # 或
   pip install cognee
   

3. 配置：设置 LLM API Key（如 OpenAI）：

   export LLM_API_KEY="YOUR_OPENAI_API_KEY"
   

4. 代码示例：

   import cognee
   import asyncio
   
   async def main():
       # 存入永久记忆
       await cognee.remember("Cognee turns documents into AI memory.")
       
       # 查询记忆
       results = await cognee.recall("What does Cognee do?")
       for result in results:
           print(result)
   
   asyncio.run(main())
   

5. 进阶部署：
   • 本地 UI：运行 cognee-cli -ui 启动本地界面（需 Docker 环境）。
   • 云端服务：通过 cognee.serve(url="...", api_key="...") 连接 Cognee Cloud。
   • 插件集成：克隆 cognee-integrations 仓库并配置以支持 Claude Code 等工具。

Cognee 提供了一个从数据摄入、图谱构建到记忆检索的完整闭环，是构建下一代具备“记忆”能力的 AI Agent 的基础设施。