当前位置： 首页 > news >正文

Cognee — 开源 AI 记忆知识库平台

news 2026/7/2 6:00:37

项目地址：https://github.com/topoteretes/cognee
官方文档：https://docs.cognee.ai/
许可证：Apache 2.0

一、Cognee 是什么？

Cognee 是一个开源 AI 记忆平台，核心目标是给 AI Agent 装上"长期记忆大脑"。

简单来说：

  • 没有 Cognee：每次对话都是全新的，AI 不记得你之前说过什么
  • 有了 Cognee：AI 能跨会话记住你的偏好、历史、上下文，并且能把零散信息串联成知识图谱

它结合了三种技术：

  1. 向量嵌入（Vector Embeddings）— 语义搜索，找"意思相近"的内容
  2. 知识图谱（Knowledge Graph）— 关系推理，找"有联系"的知识
  3. 认知科学本体— 让知识随时间演化和自我完善

二、支持哪些 AI 平台？

Cognee 通过官方集成仓库（cognee-integrations）提供了多平台支持：

AI 平台集成状态安装方式说明
Claude Code✅ 已支持插件市场安装最完善的集成，支持会话记忆、知识图谱同步
Claude Agent SDK✅ 已支持pip 安装Python SDK 级别集成
Codex✅ 已支持插件市场安装本地插件，提供 CLI 技能
Hermes Agent✅ 已支持pip 安装独立的 Hermes 记忆提供者插件
VS Code (Copilot)⚠️ 间接支持通过 MCP ServerCognee 提供 MCP 服务器，任何支持 MCP 协议的工具都可连接

其他支持的平台

平台类型
OpenAI AgentsPython 集成
LangGraphPython 集成
CrewAIPython 集成
Google ADKPython 集成
Dify工具插件
n8n节点插件
StrandsPython 集成
OpenClawTypeScript 插件

三、用和不用 Cognee 的区别

不用 Cognee（传统方式）

用户:"我喜欢简洁的代码风格"AI:"好的，明白了"[新会话开始]用户:"帮我写一个函数"AI:"请问你偏好什么代码风格？"← 完全不记得了
  • 每次会话独立，无记忆延续
  • 无法从历史对话中学习
  • 多个 Agent 之间无法共享知识
  • 大量上下文重复输入，浪费 token

使用 Cognee

用户:"我喜欢简洁的代码风格"Cognee:[存入知识图谱][新会话开始]用户:"帮我写一个函数"AI:"根据你之前的偏好，我用简洁风格来写"← 记住了！
  • 持久记忆：跨会话保持上下文
  • 知识图谱：自动关联零散信息，形成结构化知识
  • 智能检索：根据语义自动找到最相关的历史记忆
  • 多 Agent 共享：不同 Agent 可以访问同一个知识库
  • 会话缓存：快速缓存 + 后台同步到图谱，兼顾速度和持久性

核心差异对比

维度不用 Cognee用 Cognee
记忆持久性会话结束即丢失永久保存在知识图谱
上下文理解仅当前对话跨会话、跨 Agent 的全局上下文
知识关联无自动构建知识图谱，发现隐藏关联
检索方式关键词匹配语义搜索 + 图推理（混合检索）
多 Agent 协作各自独立共享统一知识库
Token 效率重复输入上下文按需检索相关记忆

四、核心功能

1. 四大操作

importcognee# 记住 — 存入知识图谱awaitcognee.remember("用户的偏好是简洁风格")# 回忆 — 智能检索results=awaitcognee.recall("用户喜欢什么风格？")# 遗忘 — 删除特定记忆awaitcognee.forget(dataset="main_dataset")# 改进 — 优化知识图谱awaitcognee.improve()

2. 双层记忆架构

  • 会话记忆（Session Memory）：快速缓存，同步操作，适合即时对话
  • 永久记忆（Knowledge Graph）：持久化存储，支持复杂推理
# 会话记忆（快速）awaitcognee.remember("用户在讨论支付问题",session_id="support_123")# 永久记忆（持久）awaitcognee.remember("公司退款政策是30天内可退")

3. 混合检索引擎

  • 向量搜索：找语义相似的内容
  • 图遍历：找有关系的知识节点
  • 自动路由：根据查询类型自动选择最佳检索策略

4. 多格式数据摄入

支持任意格式的数据输入：文档、文本、对话记录、API 响应等。

5. 灵活的存储后端

组件支持的后端
向量数据库pgvector, Qdrant, ChromaDB, Weaviate, Milvus, LanceDB
图数据库PostgreSQL（推荐）, Neo4j, Neptune
会话缓存PostgreSQL, Redis
开发环境SQLite + LanceDB + Kuzudb（零配置）

6. MCP 服务器

Cognee 提供 MCP（Model Context Protocol）服务器，任何支持 MCP 的 AI 工具都可以直接连接使用。

五、安装教程

前置要求

  • Python 3.10 ~ 3.14
  • 一个 LLM API Key（OpenAI、Anthropic 等）

方式一：pip 安装（推荐新手）

# 安装 Cogneepipinstallcognee# 如果使用 PostgreSQL 作为后端pipinstall"cognee[postgres]"

方式二：uv 安装（推荐）

uv pipinstallcognee

方式三：Docker 部署

# 克隆仓库gitclone https://github.com/topoteretes/cognee.gitcdcognee# 复制环境变量模板cp.env.template .env# 编辑 .env，填入 LLM_API_KEY# 启动服务dockercompose up# 可选：附加 UI / MCP / PostgreSQL / Neo4jdockercompose--profileui up# 前端界面 http://localhost:3000dockercompose--profilemcp up# MCP 服务器 http://localhost:8001dockercompose--profilepostgres up# PostgreSQL + pgvectordockercompose--profileneo4j up# Neo4j 图数据库

配置 LLM

创建.env文件或设置环境变量：

# OpenAI（默认）LLM_API_KEY=sk-your-openai-api-key# 或者使用其他 LLM 提供商（见官方文档）

验证安装

importcogneeimportasyncioasyncdefmain():awaitcognee.remember("Hello Cognee!")results=awaitcognee.recall("What did I just say?")forrinresults:print(r)asyncio.run(main())

六、各平台安装指南

Claude Code 安装

# 添加插件市场并安装（一次性操作）claude plugin marketplaceaddtopoteretes/cognee-integrations claude plugininstallcognee-memory@cognee# 设置环境变量exportLLM_API_KEY="sk-..."# 启动 Claude Codeclaude# 启动后应看到 "Cognee Memory Connected" 提示

工作原理：

  • SessionStart：初始化记忆身份
  • UserPromptSubmit：注入相关历史上下文
  • PostToolUse：捕获工具调用记录
  • Stop：写入助手回答
  • SessionEnd：同步到永久知识图谱

Codex 安装

通过 Codex 本地插件市场安装，提供以下技能：

  • Cognee 设置
  • 记忆管理
  • 代码库摄入
  • UI 启动

Hermes Agent 安装

pipinstallcognee-integration-hermes-agent

VS Code（通过 MCP）

VS Code 中使用 Cognee 需要通过 MCP 协议连接：

# 启动 Cognee MCP 服务器cognee-cli-ui# 或者直接运行 Docker 镜像dockerrun-eTRANSPORT_MODE=http --env-file ./.env-p8001:8000--rm-itcognee/cognee-mcp:main

然后在 VS Code 中配置 MCP 服务器地址即可。

七、CLI 命令速查

# 记忆cognee-cli remember"要记住的内容"# 回忆cognee-cli recall"查询的问题"# 遗忘cognee-cli forget--all# 启动本地 UIcognee-cli-ui

八、部署方式

方式适合场景说明
Cognee Cloud不想维护基础设施官方托管服务
本地开发开发和测试SQLite + LanceDB，零配置
Docker团队使用一键部署，支持多种后端
Railway简单 PaaSrailway init && railway up
Fly.io边缘部署持久化存储
Modal无服务器自动扩缩容，支持 GPU

九、性能基准

Cognee 在 BEAM 长上下文基准测试中表现优异：

基准设置Cognee之前最佳普通 RAG
BEAM100K tokens0.790.735~0.33
BEAM10M tokens0.670.641~0.33

十、总结

Cognee 解决了 AI Agent 最大的痛点之一：记忆。

  • 如果你只是偶尔用 AI 聊天，不需要 Cognee
  • 如果你在构建 AI Agent、需要跨会话记忆、需要多 Agent 协作、需要知识管理，Cognee 是目前最成熟的开源方案

一句话总结：Cognee = AI 的长期记忆 + 知识图谱 + 智能检索

http://www.jsqmd.com/news/1107061/

相关文章：

  • 上就是代码的解析，相信很多人疑惑的地方就是Vector128.Max做了什么，我们可以构造一个代码，让大家简单的看出来发生了什么。代码和运行结果如下所示：
  • AI驱动的销售商机管理工具DingTalkA1实战解析
  • API 服务端数据库全表设计与 SQL 实现
  • QQ群聊天记录分析终极指南：三分钟解锁你的群聊数据洞察力
  • 计算机毕业设计之基于大数据加护的国产美妆行业发展状况研究
  • 多款远程桌面工具实测分享，谁才是打工人心中 TOP1？
  • AI Agent 开发实战：用LangChain4j构建你的第一个Java智能体
  • 无犯罪公证书在哪里办理？无犯罪公证书材料是啥？
  • 从小智停服说起：AI精神陪伴与社交产品硬伤分析
  • 从记忆到人格现行：我如何设计一个会“长出性格”的陪伴智能体
  • 天龙八部单机版GM工具终极指南：5分钟掌握游戏数据管理
  • 突破万亿Token！中国大模型“Token出海”大爆发，开发者如何搭上这趟红利快车？
  • GPT-5发布：当AI能操控你的整个桌面，运维还能信谁？
  • PDF 加盖骑缝章时如何使用数字签名
  • 基于 RBAC 的细粒度工具访问控制：MCP 权限模型与安全策略实施
  • ISO 13355:2016简单介绍,ISO 13355标准是啥
  • PvZ Tools：重新定义你的植物大战僵尸游戏体验
  • 游戏运营的核心资产：当玩家信任成为长线运营的胜负手
  • 数据库的种类
  • 2026 每日阅读｜NEMAT：用 GROMACS 拆开膜蛋白药物亲和力的“障眼法”
  • 豆包怎么生成 Word 文档？Markdown 转 docx、表格和公式处理思路
  • 2026二三极管交易平台哪家好？5个核心判断标准
  • CBCX外汇平台结构表现会不会更省事？
  • [智能体-625]：OpenClaw（小龙虾）完整命令清单
  • 2026龙虾安装推荐实测榜单8款主流智能AI盘点:按需选型规避部署踩坑
  • 【CDA干货】什么人适合学统计学？高考志愿填报哪些院校值得选？就业情况怎么样？
  • AI重构地下检测行业：垂直大模型如何破解地下病害识别难题
  • 高安全行业音视频会议内网回撤转型
  • AI防爆摄像如何实时检测港口船体倾斜状态？
  • 用PIC微控制器驱动RGB灯带实现智能照明