Cognee

6 行代码为 AI Agent 提供记忆

Cognee —— 精确且持久的 AI 记忆

使用你的数据为 AI Agent 构建 个性化且动态的记忆系统。

Cognee 允许你用 可扩展且模块化的 ECL（Extract、Cognify、Load）管道 替代传统的 RAG 系统。 ([GitHub][1])

关于 Cognee

Cognee 是一个 开源工具与平台，可以将原始数据转换为 持久且动态的 AI 记忆系统。

它将 向量搜索 与 图数据库 结合，使文档既可以通过语义进行搜索，也可以通过关系进行连接。 ([GitHub][1])

你可以通过两种方式使用 Cognee：

  1. 自托管 Cognee Open Source 默认所有数据存储在本地。

  2. 连接 Cognee Cloud 在托管基础设施上运行相同的开源技术栈，从而简化开发和生产部署。 ([GitHub][1])

Cognee Open Source（自托管）

  • 互联 任意类型的数据 （包括历史对话、文件、图像和音频转录）
  • 使用 图 + 向量 构建统一的 AI 记忆层，替代传统 RAG
  • 减少开发工作量与基础设施成本，同时提高质量和准确度
  • 提供 Python 风格的数据管道，可从 30+ 数据源进行数据摄取
  • 通过用户定义任务、模块化管道和内置搜索接口提供高度可定制性 ([GitHub][1])

Cognee Cloud（托管版）

  • Web UI 控制台
  • 自动版本更新
  • 资源使用分析
  • 符合 GDPR 的企业级安全机制 ([GitHub][1])

基本使用与功能指南

要了解更多内容，可以查看 Cognee 的完整教程与示例。

快速开始（Quickstart）

只需几行代码即可开始使用 Cognee。

前置条件

  • Python 3.10 — 3.13

第 1 步：安装 Cognee

可以使用 pip、poetry、uv 或任意 Python 包管理器安装：

uv pip install cognee

第 2 步：配置 LLM

import os
os.environ["LLM_API_KEY"] = "YOUR OPENAI_API_KEY"

也可以通过 .env 文件进行配置。

如需集成其他 LLM 提供商，请参考官方文档。

第 3 步：运行管道

Cognee 会：

  1. 接收你的文档
  2. 从文档生成 知识图谱
  3. 基于关系进行查询

示例最小管道：

import cognee
import asyncio
from pprint import pprint


async def main():
    # 添加文本到 cognee
    await cognee.add("Cognee turns documents into AI memory.")

    # 生成知识图谱
    await cognee.cognify()

    # 向图中添加记忆算法
    await cognee.memify()

    # 查询知识图谱
    results = await cognee.search("What does Cognee do?")

    # 显示结果
    for result in results:
        pprint(result)


if __name__ == '__main__':
    asyncio.run(main())

输出结果来自之前存储的文档：

Cognee turns documents into AI memory.

使用 Cognee CLI

也可以通过命令行使用：

cognee-cli add "Cognee turns documents into AI memory."

cognee-cli cognify

cognee-cli search "What does Cognee do?"

cognee-cli delete --all

打开本地 UI：

cognee-cli -ui

演示与示例

查看 Cognee 的实际运行示例：

  • 持久化 Agent 记忆
  • 简单 GraphRAG 示例
  • Cognee + Ollama 示例

社区与支持

贡献

欢迎社区贡献！ 请查看 CONTRIBUTING.md 开始参与。

行为准则

我们致力于建设包容和尊重的社区环境。 请阅读行为准则了解相关规则。

研究与引用

我们发布了一篇关于 知识图谱与 LLM 推理优化 的研究论文：

Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning

作者：

  • Vasilije Markovic
  • Lazar Obradovic
  • Laszlo Hajdu
  • Jovan Pavlovic

项目简介

6 行代码实现 AI Agent 记忆

主题标签

  • open-source
  • ai
  • knowledge graph
  • graph database
  • ai agents
  • rag
  • vector database
  • graphrag
  • ai memory
  • context engineering

许可证

Apache-2.0 License

参考资料