Cognee：6行代码落地的AI代理内存方案，融合知识图谱与向量搜索的开源工具

一、Cognee是什么？

Cognee是一个面向AI代理（AI Agents）设计的开源内存工具与平台，其核心定位是解决AI代理“记忆碎片化”“数据关联弱”“检索精度低”的痛点，将分散的原始数据转化为“可理解、可关联、可复用”的持久动态内存。

从本质来看，Cognee并非简单的数据存储工具，而是一套完整的“数据结构化-知识关联-智能检索”解决方案：它通过整合向量搜索（语义搜索能力）与图数据库（关系关联能力），让数据既能够按“意义”被检索，又能通过内在关系形成结构化知识网络，最终为AI代理提供类人类的“长期记忆”。

根据项目文档描述，Cognee的核心优势在于替代传统RAG系统——相比传统RAG 5%的回答相关性、ChatGPT（无定制化内存）5%的回答相关性，Cognee的回答相关性高达92.5%，能显著提升AI代理基于特定数据的响应精度。

其核心定位可概括为三点：

1. AI内存引擎：为AI代理提供持久化、动态更新的“记忆系统”，而非临时数据缓存；

2. 数据结构化工具：将非结构化数据（文本、图像、音频转录）转化为结构化知识图谱；

3. 轻量化开发框架：通过极简API和CLI工具，降低AI内存层的开发门槛，支持快速落地。

Cognee支持两种核心使用模式，满足不同用户需求：

• 自托管模式（Cognee Open Source）：所有数据默认本地存储，适合注重隐私保护、需要高度定制化的开发者或企业；

• 云托管模式（Cognee Cloud）：基于托管基础设施提供服务，包含Web UI、自动更新、资源分析等功能，适合快速开发与生产部署。

二、功能特色

Cognee的功能设计围绕“高效、灵活、精准”三大核心，结合项目文档梳理其核心特色如下：

1. 多类型数据全兼容，打破数据孤岛

Cognee支持接入多种类型的数据，无需额外数据转换工具，直接作为AI内存的输入源：

• 文本类：纯文本、文档（隐含支持30+数据源摄入，推测含PDF、Word、Markdown等）；

• 交互类：历史对话记录（适配AI代理的对话记忆场景）；

• 多模态类：图像、音频转录文件（满足复杂场景下的多源数据整合需求）。

这种兼容性让Cognee能够无缝对接AI代理的各类数据场景，无需用户单独处理数据格式，降低集成成本。

2. ECL管道架构，替代传统RAG的核心优势

Cognee以“Extract（提取）- Cognify（认知化）- Load（加载）”的模块化管道替代传统RAG的“检索-增强”流程，核心优势在于：

• Extract（提取）：自动从原始数据中提取关键信息，无需人工标注；

• Cognify（认知化）：将提取的信息转化为知识图谱，建立数据间的关联关系（如“Cognee”与“AI内存”的“功能归属”关系）；

• Load（加载）：将知识图谱与内存算法结合，形成可检索的AI内存层。

相比传统RAG仅依赖向量匹配的检索逻辑，ECL管道通过“语义+关系”双重维度提升检索精度，这也是其92.5%高回答相关性的核心原因。

3. 双部署模式，兼顾灵活性与便捷性

Cognee提供自托管与云托管两种模式，用户可根据需求自由选择，且核心功能完全一致：

4. 极简开发体验，6行代码快速落地

Cognee的核心设计理念是“降低开发门槛”，无论是API还是CLI工具，都追求“轻量化、直观化”：

• API层面：核心流程仅需add（添加数据）→ cognify（构建图谱）→ memify（集成内存算法）→ search（检索）4个步骤，异步支持让代码更简洁；

• CLI层面：提供cognee-cli命令行工具，无需编写代码即可完成数据添加、图谱构建、检索等核心操作；

• 本地UI：通过cognee-cli -ui命令即可启动本地可视化界面，直观查看知识图谱与检索结果。

5. 高度定制化，适配多样化需求

Cognee的模块化设计支持多维度定制：

• 数据源定制：支持30+数据源摄入，可通过Pythonic数据管道扩展自定义数据源；

• 任务定制：支持用户定义个性化处理任务（如特定数据的提取规则、图谱关系定义）；

• LLM定制：兼容OpenAI、Ollama等多种LLM提供商，可根据需求切换底层大模型；

• 存储定制：支持多种向量数据库与图数据库适配（如项目中提到的Kuzu、Redis锁集成），可根据性能需求选择存储方案。

6. 时序查询支持，适配动态场景

在examples模块的更新记录中提到，Cognee已支持“temporal queries（时序查询）”，即能够基于时间维度筛选记忆内容，适配需要“时间关联记忆”的场景（如AI代理的历史对话回溯、按时间排序的文档检索）。

7. 完善的工具链与生态支持

Cognee提供了从开发到部署的完整工具链：

• 开发工具：支持pip、poetry、uv等多种Python包管理器安装，兼容主流开发环境；

• 调试工具：内置日志系统（支持文件日志输出）、本地UI可视化；

• 部署工具：提供Dockerfile、docker-compose.yml配置，支持容器化部署；

• 生态资源：包含Notebooks教程、Examples演示脚本（如LangGraph集成、Ollama集成）、研究论文支持。

8. 安全与稳定性保障

• 自托管模式：数据本地存储，避免数据传输过程中的隐私泄露；

• 云托管模式：GDPR合规，提供企业级安全保障；

• 技术层面：支持Redis锁集成（解决并发问题）、向量数据库异步锁（避免数据冲突）、Kuzu图数据库持久化（防止数据丢失）。

三、技术细节

1. 核心技术栈

2. 核心架构：ECL管道 + 双数据库融合

Cognee的底层架构可拆解为“数据输入层-ECL处理层-存储层-检索层-接口层”五大模块，核心逻辑是“ECL管道处理数据，双数据库（向量+图）存储知识，轻量化接口提供服务”：

（1）数据输入层

• 支持多源数据接入：通过Pythonic数据管道对接30+数据源，包含文本、文件、图像、音频转录等；

• 数据输入方式：API调用（cognee.add()）、CLI命令（cognee-cli add）、文件导入（隐含支持，通过示例推测）。

（2）ECL处理层（核心逻辑）

• Extract（提取）：从原始数据中提取实体（如“Cognee”）、属性（如“开源工具”）、关系（如“转化→AI内存”），无需人工干预；

• Cognify（认知化）：将提取的实体与关系构建为知识图谱，核心依赖图数据库（Kuzu），支持实体间多维度关系关联；

• Memify（内存化）：将知识图谱与内存算法结合，本质是为知识图谱添加“检索优化逻辑”（如向量嵌入、时序索引），让图谱具备高效检索能力。

（3）存储层

• 双数据库融合：向量数据库负责“语义相似性检索”（快速匹配与查询意图相关的实体），图数据库负责“关系遍历”（追溯实体间的关联路径）；

• 数据持久化：自托管模式下支持本地文件存储+数据库持久化（Kuzu图数据库持久化优化已在更新记录中提及），云托管模式下依赖托管存储基础设施；

• 锁机制保障：Redis锁用于分布式场景下的并发控制，向量数据库异步锁用于避免多线程写入冲突。

（4）检索层

• 检索逻辑：结合“向量语义匹配”与“图关系遍历”，先通过向量搜索筛选出候选实体，再通过图数据库追溯关联关系，最终返回精准结果；

• 支持查询类型：普通语义查询（如“What does Cognee do?”）、时序查询（基于时间维度的记忆检索，文档examples模块提及）。

（5）接口层

• API接口：Python异步API（cognee.add()/cognify()/memify()/search()），支持集成到Python开发的AI代理中；

• CLI工具：cognee-cli命令行工具，支持无代码快速操作；

• UI接口：本地Web UI（通过cognee-cli -ui启动），可视化查看知识图谱与检索结果；

• 第三方集成：通过MCP（模型上下文协议）服务器（cognee-mcp模块），支持与其他工具通过SSE/HTTP/stdio集成。

3. 核心模块解析

根据项目仓库的目录结构，核心模块功能如下：

• cognee/：核心库，包含ECL管道实现、API接口、数据库适配器等核心逻辑，最新更新支持OllamaEmbeddingEngine的多响应格式处理；

• cognee-frontend/：基于Next.js的前端UI，用于本地开发时的可视化操作，支持知识图谱查看、检索结果展示；

• cognee-mcp/：模型上下文协议服务器，负责将Cognee暴露为MCP工具，支持与其他AI生态工具集成；

• cognee-starter-kit/：入门套件，优化了结构与可读性，帮助新手快速上手；

• distributed/：分布式执行模块，支持Modal、工作队列等分布式部署场景，修复了分布式管道的稳定性问题；

• examples/：示例脚本，包含LangGraph集成、Ollama集成、时序查询等场景的可运行代码；

• notebooks/：Jupyter笔记本教程，包含核心功能的分步演示，定期更新以适配最新版本；

• deployment/：部署配置模块，包含Dockerfile、docker-compose.yml，支持容器化部署与数据库持久化优化；

• evals/：评估模块，已弃用SearchType.INSIGHTS，优化检索评估逻辑。

4. 数据处理流程（以最小示例为例）

结合项目文档中的代码示例，Cognee的核心数据处理流程如下：

1. 数据输入：通过cognee.add()传入原始数据（文本、文件等），数据被暂存并等待处理；

2. 知识图谱构建：调用cognee.cognify()，ECL管道的Extract模块提取关键信息，Cognify模块构建知识图谱并存储到图数据库；

3. 内存算法集成：调用cognee.memify()，为知识图谱添加向量嵌入、索引等优化，使其具备高效检索能力；

4. 智能检索：调用cognee.search()，检索层结合向量搜索与图关系遍历，返回精准结果；

5. 结果输出：支持通过API返回、CLI打印、UI展示三种方式获取结果。

5. 关键技术优化（从更新记录中提取）

• 多响应格式支持：OllamaEmbeddingEngine已支持多种响应格式，适配不同LLM的输出逻辑；

• 数据库稳定性：修复Kuzu图数据库持久化问题，添加所有向量数据库的异步锁，避免数据冲突；

• 时序能力增强：支持“now”概念的时序查询，适配动态时间相关的记忆检索场景；

• 日志系统：支持文件日志输出，方便调试与问题排查；

• 依赖管理优化：更新版本锁文件（poetry.lock、uv.lock），确保依赖兼容性。

四、应用场景

1. 持久化AI代理开发

场景描述：为AI代理（如LangGraph、AutoGPT等框架开发的代理）提供长期记忆，避免“对话失忆”或“数据碎片化”。

• 核心价值：AI代理可通过Cognee存储历史对话、任务进度、用户偏好等信息，下次交互时直接调用内存，无需重复输入或重新检索；

• 示例：项目中的cognee_langgraph.mp4演示了Cognee与LangGraph集成，实现AI代理的持久化记忆。

2. 轻量化GraphRAG落地

场景描述：替代传统RAG，快速构建基于知识图谱的检索增强生成系统，适用于需要高精度响应的场景。

• 核心价值：相比传统RAG仅依赖语义匹配，GraphRAG通过关系关联提升检索精度，Cognee简化了GraphRAG的开发流程，无需手动构建知识图谱；

• 示例：simple_graphrag_demo.mp4演示了通过Cognee快速实现GraphRAG，仅需少量代码即可完成文档结构化与检索。

3. 本地隐私优先AI工具开发

场景描述：开发本地运行的AI工具（如本地知识库、私人AI助手），需要数据本地存储、隐私不泄露。

• 核心价值：Cognee自托管模式支持所有数据本地存储，结合Ollama等本地LLM，可构建完全离线的AI工具，避免数据上传第三方服务器；

• 示例：cognee-with-ollama.mp4演示了Cognee与本地LLM（Ollama）集成，实现离线的知识图谱构建与检索。

4. 企业知识库构建与检索

场景描述：企业内部有大量分散的文档（PDF、Word、音频会议记录），需要构建结构化知识库，支持精准检索。

• 核心价值：Cognee支持30+数据源摄入，可自动将企业文档转化为知识图谱，员工通过自然语言查询即可获取精准答案（如“XX产品的核心功能是什么？”），无需手动翻阅文档；

• 适配模式：自托管模式（适合注重数据安全的企业）或云托管模式（适合快速部署、无需维护基础设施的企业）。

5. 智能客服系统优化

场景描述：传统智能客服无法记住用户历史咨询，导致重复提问；或无法关联多轮对话中的关键信息。

• 核心价值：Cognee可存储用户的历史咨询记录、问题类型、解决方案等信息，客服AI可通过内存快速定位用户需求，提供个性化响应，同时关联相关问题的解决方案（如“上次你咨询的XX问题，后续可通过XX方式优化”）。

6. 学术研究助手开发

场景描述：研究人员需要整理大量文献（论文、报告），提取核心观点、研究方法、数据结论，并建立文献间的关联（如“A论文引用了B论文的方法”）。

• 核心价值：Cognee可自动提取文献中的实体（研究方法、结论、作者）与关系（引用、改进、对比），构建学术知识图谱，研究人员可通过查询快速获取相关文献的核心信息及关联关系（如“哪些论文使用了XX研究方法？”）。

7. 开发测试工具

场景描述：开发者需要快速验证AI代理的内存功能，或测试知识图谱的构建效果，无需编写复杂的底层代码。

• 核心价值：Cognee的CLI工具与Notebooks教程支持快速上手，开发者可通过几条命令或示例代码验证功能，缩短开发测试周期。

五、使用方法

Cognee的使用流程极简，项目文档提供了“代码快速入门”“CLI工具入门”两种方式，以下是详细步骤（基于项目官方文档整理）：

1. 前提条件

• 操作系统：无明确限制（支持Docker部署，推测兼容Windows、macOS、Linux）；

• Python版本：3.10 ~ 3.13（项目README明确要求，需提前安装对应版本）；

• 依赖工具：pip、poetry、uv或其他Python包管理器（推荐uv，安装速度更快）；

• 可选依赖：Docker（用于容器化部署）、LLM API密钥（如OpenAI API Key，用于数据处理与检索）。

2. 安装Cognee

支持多种Python包管理器安装，以下是官方推荐的三种方式：

方式1：使用uv（推荐，快速安装）

uv pip install cognee

方式2：使用pip

pip install cognee

方式3：使用poetry

poetry add cognee

3. 配置LLM（核心步骤）

Cognee依赖LLM完成数据提取、知识图谱构建与检索，需先配置LLM提供商的API密钥：

方式1：直接在代码中配置

import os
# 替换为你的LLM API密钥（以OpenAI为例）
os.environ["LLM_API_KEY"] = "YOUR_OPENAI_API_KEY"

方式2：使用.env文件配置（推荐，更安全）

1. 从项目仓库下载.env.template文件，重命名为.env；

2. 打开.env文件，添加LLM API密钥：

   LLM_API_KEY=YOUR_OPENAI_API_KEY

3. 代码中自动加载（无需额外配置，Cognee会自动读取.env文件）。

扩展：集成其他LLM提供商

Cognee支持除OpenAI外的其他LLM提供商（如Ollama、Anthropic等），具体配置方法参考官方《LLM Provider Documentation》（链接见“相关官方链接”部分）。

4. 代码快速入门（核心流程）

通过6行核心代码即可完成“数据添加-图谱构建-内存集成-检索”全流程，以下是官方示例代码（异步实现）：

import cognee
import asyncio

async def main():
  # 步骤1：添加数据（支持文本、文件路径等，此处以纯文本为例）
  await cognee.add("Cognee turns documents into AI memory.")
  
  # 步骤2：构建知识图谱（Extract + Cognify）
  await cognee.cognify()
  
  # 步骤3：为图谱添加内存算法（Memify）
  await cognee.memify()
  
  # 步骤4：检索知识图谱（自然语言查询）
  results = await cognee.search("What does Cognee do?")
  
  # 步骤5：输出结果
  for result in results:
    print(result)

if __name__ == '__main__':
  # 运行异步函数
  asyncio.run(main())

运行结果

代码执行后，会输出基于添加数据的精准响应：

Cognee turns documents into AI memory.

5. CLI工具快速入门（无代码方式）

如果无需集成到Python代码中，可直接使用cognee-cli命令行工具操作，核心命令如下：

步骤1：添加数据

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

步骤2：构建知识图谱

cognee-cli cognify

步骤3：检索数据

cognee-cli search "What does Cognee do?"

步骤4：删除所有数据（可选）

cognee-cli delete --all

步骤5：启动本地UI（可视化操作）

cognee-cli -ui

启动后，会自动在浏览器打开本地UI界面，可可视化查看知识图谱、检索结果等。

6. 进阶使用：Colab教程

项目提供了完整的Colab教程，包含核心功能的分步演示（如多数据源接入、知识图谱可视化、时序查询等），可通过以下链接打开： Open in Colab（具体链接需参考项目文档，此处为官方指引位置）

7. 容器化部署（自托管模式进阶）

如果需要通过Docker部署自托管版本，可参考以下步骤：

1. 克隆项目仓库：

   git clone https://github.com/topoteretes/cognee.git
   cd cognee

2. 配置.env文件（参考.env.template）；

3. 使用docker-compose启动服务：

   docker-compose up -d

4. 访问本地UI：通过浏览器访问http://localhost:xxxx（端口需参考docker-compose配置）。

六、常见问题解答（FAQ）

1. Cognee支持哪些Python版本？

根据项目文档，Cognee仅支持Python 3.10 ~ 3.13版本，低于3.10或高于3.13的版本可能会出现依赖兼容性问题。

2. 自托管模式下，数据存储在哪里？

自托管模式下，数据默认存储在本地目录（具体路径可通过配置文件自定义），知识图谱存储在Kuzu图数据库（本地文件形式），向量数据存储在指定的向量数据库中，所有数据均不离开本地环境。

3. 除了OpenAI，还支持哪些LLM提供商？

Cognee支持多种LLM提供商，具体包括Ollama、Anthropic、Google Gemini等，配置方法参考官方《LLM Provider Documentation》，需根据不同提供商的要求设置对应的API密钥或本地连接参数。

4. Cognee是否支持多模态数据？

支持。根据项目文档，Cognee可处理图像、音频转录等多模态数据，无需额外插件，直接通过cognee.add()或CLI命令添加即可，ECL管道会自动提取关键信息并构建知识图谱。

5. 自托管模式与云托管模式的核心区别是什么？

核心区别在于“基础设施维护”与“增值功能”：自托管模式需要用户自行维护服务器、数据库等基础设施，但数据隐私可控、支持高度定制；云托管模式无需维护基础设施，提供Web UI、自动更新、资源分析等增值功能，适合快速部署与规模化使用。

6. 构建知识图谱需要专业的图数据库知识吗？

不需要。Cognee的cognify()方法会自动完成知识图谱的构建，用户无需了解图数据库的底层原理或查询语法，仅需调用API或CLI命令即可。

7. Cognee的检索速度如何？

检索速度取决于数据量与硬件配置：小规模数据（万级以下实体）可实现毫秒级响应；大规模数据（百万级实体）建议搭配高性能向量数据库（如Milvus、Chroma）与图数据库优化，可通过分布式部署（distributed模块）提升检索效率。

8. 如何查看知识图谱的可视化效果？

有两种方式：

1. 本地UI：通过cognee-cli -ui命令启动本地Web UI，在界面中直接查看知识图谱的结构与实体关系；

2. Notebooks教程：项目提供的Jupyter笔记本中包含知识图谱可视化代码，可运行后查看。

七、相关链接

• 项目GitHub仓库：https://github.com/topoteretes/cognee

• 官网地址：https://cognee.ai/

八、总结

Cognee作为一款开源AI内存工具，以“极简开发体验+高精准检索+灵活部署”为核心优势，通过ECL管道整合向量搜索与图数据库技术，成功替代传统RAG系统，将AI代理的回答相关性提升至92.5%。其支持多类型数据接入、双部署模式（自托管+云托管）、轻量化API与CLI工具，既满足了个人开发者快速落地AI内存层的需求，也适配了企业级用户对隐私安全、规模化部署的要求。项目提供了完整的教程资源（Notebooks、Colab、演示视频）与活跃的社区支持，同时通过持续的技术优化（如时序查询、多LLM兼容、数据库稳定性提升）完善功能，是AI代理开发、知识库构建、GraphRAG落地等场景下的高效解决方案，显著降低了AI内存系统的开发门槛与基础设施成本。