Cognee：给 AI Agent 一套长期记忆系统

前言

Cognee Logo

大多数 Agent 的问题不是“不会回答”，而是“记不住”。换一个 session，昨天读过的文档、修过的 bug、用户偏好、工具调用轨迹、团队知识，全都像没发生过。

Cognee[1] 解决的正是这个问题：它是一个开源 AI memory platform，为 Agent 提供跨 session 的长期记忆。它可以摄取任意格式数据，构建自托管知识图谱，再让 Agent 在不同会话中 recall、connect、act with full context。

官方描述很直接：The open-source AI memory platform for agents.

Cognee Demo

Cognee 到底是什么

Cognee 是一个面向 AI Agents 的长期记忆基础设施。

它不是简单的向量库封装，也不是只做 RAG 检索。README 对它的定义是：摄取任意格式数据，持续构建自托管知识图谱，并结合 vector embeddings、graph reasoning、cognitive-science-grounded ontology generation，让文档既能按语义搜索，也能按关系连接和演化。

换句话说，Cognee 想补的是 Agent 的记忆层：

•短期 session memory：当前对话、用户偏好、工具轨迹、临时上下文。

•长期 graph memory：跨会话保存的知识图谱、关系、实体、历史结果。

•语义检索：通过 embeddings 找到相关内容。

•图谱推理：通过关系和 ontology 找到结构化上下文。

•跨 Agent 共享：让不同 Agent 使用同一套公司知识或项目记忆。

这也是它和普通 RAG 项目的区别：RAG 更多是“从文档里找答案”，Cognee 更强调“让 Agent 拥有持续演化的记忆系统”。

README 原始图：Remember 与 Recall

README 中有两张核心图，分别对应记忆写入和记忆召回。

Cognee Remember

remember 负责把信息写入记忆。它可以把文档、会话、工具轨迹、用户偏好等内容加入数据层，然后通过 add、cognify、improve 等过程转成长期知识。

Cognee Recall

recall 负责查询记忆。它会根据问题自动路由到合适的搜索策略，让 Agent 在回答前拿到 dataset-scoped context，而不是只依赖当前上下文窗口。

功能架构图

Cognee 功能架构图

从 README 和仓库结构看，Cognee 可以拆成六层。

第一层：接入层

Cognee 提供 Python API、CLI、API Server、MCP Server、Claude Code 插件、OpenClaw 插件，同时还有 Rust client 和 TypeScript client。

这意味着它既可以直接被 Python 应用调用，也可以作为 Agent 工具接入 Claude Code、OpenClaw、Cursor、Cline/Roo 等工作流。

第二层：记忆 API

README 强调 Cognee 的四个核心操作：remember、recall、forget、improve。

•remember：写入长期知识图谱，也可以写入 session memory。

•recall：自动路由查询，选择最合适的检索策略。

•forget：删除数据集或清理记忆。

•improve：基于反馈和新上下文优化记忆。

第三层：处理管线

remember 背后不是简单保存文本，而是会执行 add、cognify、improve。也就是摄取数据、抽取结构、生成 ontology、更新记忆层。

第四层：语义层

Cognee 同时使用 embeddings、vector search、graph reasoning、metadata/provenance。语义相似度解决“相关内容在哪里”，图谱结构解决“这些内容之间是什么关系”。

第五层：存储层

README 特别强调 Cognee 1.0 之后可以把整个 memory layer 跑在一个 Postgres 实例上：关系、embeddings、sessions、metadata 都能放在同一套 Postgres-backed memory layer 中。

同时，它也支持替换专用后端：Neo4j、Neptune、Redis、pgvector、LanceDB、Qdrant、ChromaDB、Weaviate、Milvus，以及本地开发常用的 SQLite、LanceDB、Kuzudb。

第六层：Agent 场景层

典型场景包括 company brain、客户支持 Agent、SQL Copilot、Claude Code 记忆插件、OpenClaw 插件和多 Agent 知识共享。

记忆流程图

Cognee 记忆流程图

一个典型 Cognee 记忆流程可以这样理解。

1输入数据：文档、对话、代码上下文、工具调用轨迹、用户偏好、业务系统数据。

2调用 remember：写入长期记忆，或写入某个 session 的快速缓存。

3执行 cognify：抽取实体、关系、事实、schema、ontology。

4写入存储层：图关系、向量索引、metadata、session cache。

5调用 recall：根据问题自动选择检索策略，结合语义和结构找上下文。

6注入 Agent：把 dataset-scoped context 放回 Agent 输入中。

7执行 improve 或 forget：用反馈更新记忆，或删除不需要的数据。

这套流程的关键，是把 Agent 的上下文从“当前窗口”扩展到“长期可演化的知识层”。

快速开始：四个 API

README 给出的 Python 示例非常短。

class="language-python">import cognee
import asyncio

async def main():
    await cognee.remember("Cognee turns documents into AI memory.")

    await cognee.remember(
        "User prefers detailed explanations.",
        session_id="chat_1"
    )

    results = await cognee.recall("What does Cognee do?")
    for result in results:
        print(result)

    results = await cognee.recall(
        "What does the user prefer?",
        session_id="chat_1"
    )
    for result in results:
        print(result)

    await cognee.forget(dataset="main_dataset")

asyncio.run(main())

CLI 也对应同样的心智模型：

class="language-bash">cognee-cli remember "Cognee turns documents into AI memory."
cognee-cli recall "What does Cognee do?"
cognee-cli forget --all
cognee-cli -ui

cognee-cli -ui 会打开本地 UI。README 提醒，CLI 启动的 MCP server 在 Docker 容器里运行，因此需要 Docker Desktop、Colima 或兼容 OCI runtime。

Docker 与 MCP Server

Cognee 发布了两个预构建镜像：

•cognee/cognee：API server。

•cognee/cognee-mcp：MCP server。

Docker Compose 支持多个 profile：

class="language-bash">cp .env.template .env

docker compose up                    "color:#6a9955"># API server: localhost:8000
docker compose --profile ui up        "color:#6a9955"># 前端 UI: localhost:3000
docker compose --profile mcp up       "color:#6a9955"># MCP server: localhost:8001
docker compose --profile postgres up  "color:#6a9955"># Postgres / pgvector
docker compose --profile neo4j up     "color:#6a9955"># Neo4j

cognee 和 cognee-mcp 使用不同 host port，所以可以同时运行。Compose 中还包含 Postgres、Neo4j、Redis 等可选服务。

与 Claude Code、OpenClaw 和其他 Agent 集成

Cognee 的一个重点是给 Agent 工作流补长期记忆。

Claude Code 插件会接入生命周期：

•SessionStart：选择模式并建立 identity。

•UserPromptSubmit：注入 dataset-scoped context。

•PostToolUse：捕获工具调用轨迹。

•Stop：写入 assistant answer。

•PreCompact：在 context reset 前保存记忆。

•SessionEnd：最终同步到长期图谱。

本地模式下插件会启动本地 Cognee API，默认地址是 http://localhost:8011。使用 Cognee Cloud 或远程 server 时，可以配置 COGNEE_BASE_URL 和 COGNEE_API_KEY。

README 也明确提到 Cognee 可作为 OpenClaw 插件使用：@cognee/cognee-openclaw。这意味着它不只是库，而是已经在 Agent 工具生态中做了适配。

两个典型用例

README 给了两个非常清晰的例子。

客户支持 Agent

目标是让 Agent 处理用户问题时，不只看当前输入，而是能统一财务、客服、产品历史等数据。

当用户说“我的账单看起来不对，而且问题还没解决”时，Cognee 可以追踪过去交互、失败动作、已解决案例、产品历史，检索类似账单问题，并把解决策略提供给 Agent。

关键价值是：Agent 不会每次都从零开始，它能记住哪些处理方式有效，哪些错误不要重复。

专家知识蒸馏：SQL Copilot

目标是让初级分析师复用专家 SQL 查询、工作流模式、schema 结构和成功实现。

当用户问“如何计算这个数据集的客户留存”时，Cognee 可以匹配当前 schema 到已知结构，找出专家曾经如何解决类似问题，并把逻辑适配到当前数据集。

这类场景说明 Cognee 不只是“存知识”，更像是在沉淀组织经验。

Postgres 单栈记忆层

README 中最值得关注的设计之一，是 Cognee 1.0 可以把整个 memory layer 跑在单个 Postgres 实例上。

传统图记忆栈往往需要：图数据库存关系、向量数据库存 embeddings、Redis 存 session、关系数据库存 metadata。部署、权限、监控和成本都会变复杂。

Cognee on Postgres 的路线是：

•Relationships：使用 Cognee 的 Postgres graph backend。

•Embeddings：使用 pgvector。

•Sessions：使用 SQL session-cache backend。

•Metadata：仍在同一个 Postgres。

这样 retrieval 可以在相似度和结构之间切换，而不必跨多个服务边界。README 还提到，在 CI benchmark 中，Postgres search 比 graph-plus-vector 分离架构快约 10%。

安装方式：

class="language-bash">pip install "cognee[postgres]"

环境变量示例：

class="language-bash">DB_PROVIDER=postgres
VECTOR_DB_PROVIDER=pgvector
GRAPH_DATABASE_PROVIDER=postgres
CACHE_BACKEND=postgres

DB_HOST=localhost
DB_PORT=5432
DB_USERNAME=cognee
DB_PASSWORD=cognee
DB_NAME=cognee_db

多语言客户端与部署

Cognee 本体是 Python 项目，pyproject.toml 显示当前版本为 1.2.2，支持 Python >=3.10,<3.15，项目状态为 Beta，License 为 Apache-2.0。

除了 Python，它还提供：

•Rust client：cognee-rs

•TypeScript client：@cognee/cognee-ts

部署方式包括：Cognee Cloud、Modal、Railway、Fly.io、Render、Daytona，以及 distributed/ 目录里的部署脚本和 worker 配置。

Benchmark 与研究背景

README 提到，Cognee 使用 BEAM benchmark 做长上下文记忆测试。BEAM 测试的是系统能否追踪长对话中的变化，比常见 needle-in-a-haystack 更接近 Agent memory 场景。

README 中给出的结果是：

•100K tokens：Cognee 默认设置达到 0.79，使用 per-question routing 可超过 0.8；此前 SOTA 为 0.735，Obsidian / RAG baseline 约 0.33。

•10M tokens：Cognee 达到 0.67；此前 SOTA 为 0.641，Obsidian / RAG baseline 约 0.33。

这些数字更适合作为方向信号，而不是绝对结论。项目也提供了研究论文：Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning。

技术栈和真实模块

从仓库结构看，Cognee 包含：

•cognee/：核心 Python 包，包含 API、CLI、memory、pipelines、tasks、infrastructure、modules 等。

•cognee-mcp/：MCP server。

•cognee-frontend/：前端 UI。

•cognee-starter-kit/：快速集成 starter。

•distributed/：分布式部署、worker、Modal/Fly/Daytona 等部署脚本。

•examples/：Python 示例、database examples、custom pipelines、guides、demos。

•evals/：benchmark 与评估图表。

•deployment/helm：Kubernetes/Helm 相关部署。

依赖层面包含：FastAPI、SQLAlchemy、Alembic、LiteLLM、Instructor、LanceDB、RDFLib、NetworkX、Tiktoken、Pydantic、OpenAI、Uvicorn、Gunicorn，以及可选的 Neo4j、Neptune、Postgres/pgvector、scraping、LangChain、LlamaIndex、HuggingFace、Anthropic、Azure、Groq 等集成。

适合谁用

Cognee 很适合以下团队和开发者：

•正在构建长期运行 Agent，需要跨 session 记忆的人。

•想为 Claude Code、OpenClaw、Cursor、Cline/Roo 等工具增加项目级记忆的人。

•想把企业文档、客服历史、产品知识、数据库 schema、专家经验变成 company brain 的团队。

•需要自托管知识图谱，不想把记忆层完全托管给第三方的团队。

•希望在一个 Postgres 实例中同时管理关系、向量、session 和 metadata 的工程团队。

风险与边界

Cognee 的能力边界也要说清楚。

第一，它是 memory infrastructure，不是“装上就自动聪明”的 Agent。记忆质量取决于数据质量、ontology、检索策略和同步策略。

第二，长期记忆会引入治理问题。哪些内容能记，哪些内容必须忘，哪些 dataset 属于哪个用户/租户，都需要明确边界。

第三，多后端架构虽然灵活，但也带来配置复杂度。生产环境要明确数据库、向量库、图后端、session cache、权限和备份策略。

第四，Agent 自动注入记忆可能带来上下文污染。相关性、可追溯性、dataset-scoped isolation 和审计日志必须做好。

工程原则观察

•KISS：remember / recall / forget / improve 四个 API 把复杂记忆系统压成很清楚的操作模型。

•YAGNI：本地开发可以用 SQLite、LanceDB、Kuzudb，不必一开始上 Neo4j + Redis + 向量库全家桶。

•SOLID：API、MCP、frontend、distributed、evals、examples 分层清楚，核心包也按 memory、pipelines、tasks、infrastructure 拆分。

•DRY：Postgres 单栈路线减少多数据库之间重复运维和跨服务查询成本。

•潜在挑战：长期记忆系统很容易变成“什么都记”。落地时需要先设计 dataset、租户隔离、forget 策略和可审计链路。

一句话总结

Cognee 的价值不只是给 RAG 换个图数据库，而是给 Agent 补上一层可持续演化、可自托管、可跨会话复用的长期记忆。

当 Agent 越来越多，真正稀缺的不是下一次回答，而是能被可靠召回的组织记忆。

声明：本文由山行整理自：Cognee GitHub 仓库[2]，如果对您有帮助，请帮忙点赞、关注、收藏，谢谢～

参考链接

[1] Cognee: https://github.com/topoteretes/cognee

[2] Cognee GitHub 仓库: https://github.com/topoteretes/cognee