🧠 Cognee：开源AI智能体记忆平台让 Agent 真正拥有跨会话长期记忆

还在为 AI Agent 每次启动都失忆头疼？Cognee 是 28k⭐ 的开源 AI 记忆平台，把向量检索、知识图谱、本体生成打包成四行代码搞定，支持 14 种检索模式，自托管、Postgres/Neo4j 全栈可选，让 Agent 真正拥有跨会话长期记忆。

🎤 引言

AI Agent 跑得再聪明，一旦重启就归零——这个痛点你遇到过没？

传统 RAG 只是把文档切成片段塞进向量库，"记得住"但"想不起来"，缺上下文、缺因果、缺时序；纯粹的知识图谱又太重，搭一套 Neo4j + ETL + 维护本体，团队没两周搞不定。Cognee 的思路不一样：把向量检索、知识图谱、本体生成、自学习管道全塞进一个 Python 库里，4 行 API 就能让 Agent 拥有跨会话长期记忆。

GitHub 28.6k Stars、2.7k Forks、8700+ Commits、一个月百万次管道调用、被拜耳（Bayer）、怀俄明大学、Dilbloom、dltHub 等 70 多家公司采用——这个数据告诉我们：AI 记忆层不是可选项，而是生产级 Agent 的必备基础设施。

⭐ 核心功能

1. 四行 API 解决"Agent 失忆症"

Cognee 把整个记忆层抽象成 4 个动作：remember、recall、forget、improve。记、查、删、迭代，覆盖 Agent 记忆全生命周期。

import cognee, asyncio

async def main():
    # 写入长期记忆（自动 add + cognify + improve）
    await cognee.remember("Cognee turns documents into AI memory.")

    # 会话级快存，后台异步同步到图谱
    await cognee.remember("User prefers detailed explanations.", session_id="chat_1")

    # 自动路由选最优检索策略
    results = await cognee.recall("What does Cognee do?")
    for r in results: print(r)

    # 删数据集
    await cognee.forget(dataset="main_dataset")

asyncio.run(main())

2. 六阶段自学习管道（cognify pipeline）

记入记忆不是简单存文本，而是走完六步：

分类文档：识别文件类型（合同/邮件/聊天记录/代码）
权限检查：按租户/用户隔离（生产级合规刚需）
分块抽取：自适应切片，不破坏语义
实体关系抽取：用 LLM 从文本中抠出实体和关系
摘要生成：每个节点挂一个简述，方便后续推理
向量化 + 入图：embeddings 进向量库，边写入图数据库

跑完之后，记忆不是静态的，而是"会自我进化"的结构。

3. 14 种检索模式

不是简单的"向量相似度 top-K"。从经典 RAG 到 Chain-of-Thought 图遍历，14 种模式随你挑：

纯语义检索
图遍历
多跳推理
时序过滤
实体聚合
混合策略
...

调用 recall() 时 Cognee 会自动选最优策略，不用手写 routing 逻辑。

4. 图 + 向量混合存储（不是二选一）

大多数框架让你在"向量库"和"图数据库"之间二选一。Cognee 走的是 hybrid 路线：

关系用图（Kuzu 或 Postgres 图后端）
语义用向量（pgvector / Qdrant / LanceDB）
会话用 SQL 或 Redis
元数据用 Postgres

查的时候无缝在相似度和结构之间穿梭，不用跨服务边界。

5. Postgres 1.0：单实例搞定整个记忆层

这是 Cognee 1.0 最大的亮点。传统 AI 记忆栈长这样：

Neo4j（图）+ Qdrant（向量）+ Redis（会话）+ Postgres（元数据）
= 4 个服务、4 套备份、4 倍运维成本

Cognee 1.0 直接把这四个层压到一个 Postgres 实例里：

记忆层	传统栈	Cognee 1.0 on Postgres
关系	Neo4j	cognee 的 Postgres 图后端
Embedding	独立向量库	pgvector
会话	Redis	SQL session-cache 后端
元数据	关系型数据库	同一个 Postgres

Bencmark 结果：检索时延和 Neo4j + Qdrant 方案相当，但部署成本降一个数量级。

6. 多语言客户端 & Agent 集成

不只 Python：

🦀 Rust 客户端：cognee-rs
🟦 TypeScript 客户端：@cognee/cognee-ts
🟢 OpenClaw 插件：@cognee/cognee-openclaw
🧠 Claude Code 插件：自动捕获 prompts/tool traces/session 数据
🐳 MCP Server：cognee-mcp（HTTP/SSE/stdio 三种 transport）

Agent 框架侧，已与 LangChain、LlamaIndex、Claude Code、CrewAI 等深度集成。

📥 安装使用

方式一：pip 安装（最简）

# 推荐用 uv，比 pip 快 10x
uv pip install cognee

要求 Python 3.10 ~ 3.14。装完配个 .env：

echo 'LLM_API_KEY="***"' > .env

跑个 5 行示例验证：

import cognee, asyncio

async def main():
    await cognee.remember("Cognee is an open-source AI memory platform.")
    results = await cognee.recall("What is Cognee?")
    print(results)

asyncio.run(main())

方式二：CLI 一键体验

# 写记忆
cognee-cli remember "Cognee turns documents into AI memory."

# 查记忆
cognee-cli recall "What does Cognee do?"

# 清空
cognee-cli forget --all

# 启动本地 UI（需 Docker）
cognee-cli -ui

UI 跑在 http://localhost:3000，可以可视化查看知识图谱。

方式三：Docker Compose（生产环境推荐）

git clone https://github.com/topoteretes/cognee.git
cd cognee
cp .env.template .env   # 编辑 .env 填 LLM_API_KEY

# API server 跑在 http://localhost:8000
docker compose up

# 加 UI：
docker compose --profile ui up

# 加 MCP server（端口 8001）：
docker compose --profile mcp up

# 加 Postgres/PGVector：
docker compose --profile postgres up

# 加 Neo4j：
docker compose --profile neo4j up

四个 profile 可以自由组合，API 和 MCP 不会端口冲突。

方式四：直接拉预构建镜像

echo 'LLM_API_KEY="***"' > .env

# API server
docker run --env-file ./.env -p 8000:8000 --rm -it cognee/cognee:main

# MCP server（HTTP transport）
docker run -e TRANSPORT_MODE=http --env-file ./.env -p 8000:8000 --rm -it cognee/cognee-mcp:main

不需要 clone 仓库，开箱即用。

🎯 适用场景

场景 1：客服 Agent（跨渠道记忆）

用户上个月发邮件投诉过账单、上周在工单里追问过退款、上次在线客服承诺过补偿——这些信息散落在不同系统里。传统 Agent 每次都要从头查，Cognee 能把全渠道历史织成一张图：

# Cognee 后台自动追踪：
# - 历史对话时间线
# - 已解决案例的解决路径
# - 失败操作的根因分析
# - 类似问题的最佳响应模板

# Agent 实时调用：
response = await cognee.recall(
    "User 12345 billing dispute history",
    dataset="customer_support"
)

拜耳的客服 Agent 据说已经吃这套吃了半年多。

场景 2：SQL Copilot（专家知识蒸馏）

初级数据分析师写 SQL 卡壳？Cognee 能从资深分析师的历史查询中抽取模式（schema 结构、查询套路、常见 pitfall），新人提问时直接匹配最相似的"专家思路"并适配当前数据集。

场景 3：研究助手（多文档关联推理）

读 50 篇 arXiv 论文做综述？Cognee 不只让你按关键词搜，还能识别"这篇论文的方法是那 3 篇的组合"、"这个数据集被这 5 篇用过"——关系即知识。

场景 4：Claude Code / OpenClaw 长会话插件

官方提供 Claude Code 插件，开 session 时自动注入历史上下文、关 session 时自动写回永久图谱。换句话说，Claude Code 也能"记一辈子的事"。

🔍 对比/替代方案

2026 年 AI Agent 记忆框架已经卷成红海，挑几个主流对比下：

框架	核心优势	短板	适合谁
Cognee	图+向量混合、14 检索模式、自学习管道、Postgres 单栈	Python 生态为主，云服务较新	中大型团队、要 hybrid 检索
Mem0	生产级 SLA、TypeScript 原生、云服务成熟	偏向量、关系能力弱	JS/TS 全栈、要 SLA
Letta	开源 LLM 代理框架、记忆模型清晰	部署复杂	学术/研究场景
Zep	长期记忆 + 短期会话平衡	偏云服务	商业 SaaS
Graphiti	时序知识图谱、事件追踪强	偏图、向量能力弱	时序数据为主
LangMem	LangChain 生态深度整合	依赖 LangChain	LangChain 重度用户
Cloudflare Agent Memory	边缘部署、低延迟	绑定 Cloudflare	已用 CF 栈的团队

XLR8 AI 在 2026 年榜单里把 Cognee 排在第一，理由是"图+向量 hybrid + 14 retrieval modes + self-improving cognify pipeline"——这三件套目前是独一份。

如果你的栈是 TypeScript / Go 且不想为 Python 加旁路服务，Mem0 更顺手；如果主要做时序推理（事件追踪、对话历史），Graphiti 更专业；如果就是 LangChain 老用户，LangMem 不用换框架。

⚠️ 注意事项

Python 版本硬约束：仅支持 3.10 ~ 3.14，老 Python 3.9 项目需要先升级。
LLM API Key 必备：默认走 OpenAI，需要在 .env 配 LLM_API_KEY。其他 LLM 提供商（Anthropic、Gemini、本地 Ollama）需参考 LLM Provider 文档额外配置。
MCP UI 需 Docker：cognee-cli -ui 命令依赖 Docker Desktop 或 Colima，没有 Docker 环境跑不起来。
云服务还在早期：根据 Vectorize 2026 年的对比，Cognee Cloud 比 Mem0、Zep 的 SLA 体系还年轻，对合规审计、生产稳定性要求极高的场景建议先用自托管版。
GitHub Issues 反馈：仓库目前 229 个 Open Issues + 393 个 PR，社区活跃度高，但 Bug 响应速度看 issue 复杂度。
首次 cognify 较慢：六阶段管道首次跑可能要几十秒到几分钟（取决于数据量），生产部署建议异步后台处理。
Postgres 1.0 迁移成本：从 Neo4j + Qdrant 老栈迁到 Postgres 单栈，需要重新跑 cognify pipeline 重建图。

✅ 总结

Cognee 解决了 AI Agent 一个根本问题：别让 Agent 每次都从零开始思考。

它的杀手锏是"图+向量 hybrid"+"自学习 cognify 管道"——不是简单的向量检索堆叠，而是把记忆当成一个会进化的图结构。14 种检索模式覆盖了从经典 RAG 到多跳推理的全谱系，Postgres 1.0 把运维复杂度压到极致。

适合谁：正在做生产级 Agent 应用的团队；需要跨会话长期记忆；想统一 RAG 和知识图谱；不想维护 4 个独立服务；用 Python 生态。

不适合谁：纯 TS/Go 栈且不愿加 Python 旁路；对云 SLA 有严格要求；数据量极小（< 100 文档，杀鸡用牛刀）。

GitHub 28.6k Stars、8700+ Commits、70+ 企业采用，加上 Markovic et al. 2025 的 arXiv 论文背书——Cognee 不是又一个玩具 RAG 框架，而是认真想把 AI 记忆做成"基础设施"的工程派作品。

如果你的 Agent 还是"金鱼记忆"，强烈建议花半小时 clone 下来跑一遍 cognee-cli -ui，看到那张自动长出来的知识图谱，你会有"AI 终于靠谱了"的感觉。

项目地址：https://github.com/topoteretes/cognee
官方文档：https://docs.cognee.ai/
PyPI：https://pypi.org/project/cognee/
Docker Hub：https://hub.docker.com/r/cognee/cognee
论文：https://arxiv.org/abs/2505.24478