24k Stars,6 行 Python,给 AI Agent 装上长期记忆

如果你做过 AI Agent 开发，一定遇到过这种崩溃时刻：

• 用户昨天说"我习惯用深色模式"，今天 Agent 又推荐了一套浅色主题
• 客服 Agent 刚处理完退款，用户追问进度时，它像第一次听说这件事
• 多轮对话超过 20 轮后，Agent 开始胡言乱语，把 A 用户的信息安到 B 用户头上

问题的本质不是 LLM 不够聪明，而是它缺了一块"长期记忆"的硬盘。

Cognee这个项目，就是专门来解决这个问题的。

Cognee：是什么

Cognee 是一个开源的 AI 记忆平台，由柏林团队 Topoteretes 开发。它的核心思路很简单：不是让 Agent 记住文本片段，而是让 Agent 记住"知识关系"。

这是 Cognee 处理完文档后生成的真实知识图谱。

每个节点是一个实体（概念、人物、组织），边是它们之间的关系。

右侧能看到每个节点的属性面板——这不是概念图，是真实从文本里提取出来的结构化数据。

能做什么

记忆存储

• 永久记忆：提取实体、识别关系、生成本体，写入图数据库，跨会话持久保存
• 会话缓存：同一 session 先查本地缓存，后台异步同步图谱，兼顾速度和深度
• 多模态摄入：PDF、Word、音频、网页等 30+ 格式
• 自我改进：根据反馈自动优化记忆权重

检索与推理

• 自动路由查询：recall() 自动选择最佳策略（向量 / 图遍历 / 混合）
• 多跳推理：基于关系路径回答跨文档关联的复杂问题
• CoT 检索器：开源 Chain-of-Thought 模块，BEAM 基准测试超 SOTA

存储后端

• All-in-Postgres：单个 PostgreSQL 跑完整套记忆层（图 + 向量 + 缓存 + 元数据），比传统"Neo4j + 向量库 + Redis"快约 10%
• 专业后端：Neo4j / Neptune（图）、pgvector / Qdrant / Weaviate（向量）、Redis（缓存）

生态集成

• Claude Code 官方插件、OpenClaw、LangGraph、n8n、MCP 协议
• Python / TypeScript / Rust 三语言 SDK

实际场景

排查 Agent 记忆短板

cognee-cli -ui 启动本地可视化界面，浏览器里直接看到知识图谱全貌——哪些实体提取对了、哪些关系连错了、哪些文档还没 cognify，一目了然。

给 Claude Code 装跨会话记忆

安装官方插件后，每次对话的提示词、工具轨迹、助手回复自动捕获到会话记忆，注入相关上下文。会话结束同步到永久图谱。下次打开 Claude Code，它记得你上周的代码规范。

部署前做记忆基准

上线前把产品文档、API 规范全部 remember() 进 Cognee。后续需求变更后对比图谱差异——新增了什么概念、哪些关系被改了、哪些旧文档失效了。

上手：让 AI Agent 帮你装

直接复制给 Claude Code / Cursor：

用 Docker 部署 Cognee，参考 https://github.com/topoteretes/cognee
要求：
1. docker compose --profile ui up 启动 API(8000) + UI(3000)
2. 配置 LLM_API_KEY
3. 验证：cognee-cli remember "测试" && cognee-cli recall "测试"
4. 打开 localhost:3000 确认可视化正常

手动 3 步：

git clone https://github.com/topoteretes/cognee.git && cd cognee
cp .env.template .env# 填入 LLM_API_KEY
docker compose --profile ui up

不用 Docker？一行 pip：

pip install cognee
export LLM_API_KEY="sk-..."
python -c "import cognee, asyncio; asyncio.run(cognee.remember('Hello')); print(asyncio.run(cognee.recall('Hello')))"

6 行核心代码：

import cognee, asyncio
asyncdefmain():
await cognee.remember("Cognee 把文档变成 AI 记忆。")
print(await cognee.recall("Cognee 做什么的？"))
asyncio.run(main())

竞品对比

没有工具在每个维度都是最深的——Graphiti 时序关系更专业，Mem0 写入延迟更低，LightRAG 部署更轻。Cognee 胜在覆盖面：图推理、向量检索、会话缓存、本体生成、跨 Agent 共享，一套架构搞定，不用堆三四个系统。

注意点

• 首次 cognify 消耗 Token： 提取实体和关系需要 LLM 调用，长文档建议批量处理，实时性要求高的场景先走 session 缓存
• Postgres 有边界： 千万级节点以上建议切 Neo4j/Neptune
• LLM 是硬门槛： 本地可用 Ollama，效果最好的是 GPT-5.5/Claude 4.8

写在最后

Cognee 不是向量数据库，是Agent 的记忆层基础设施。做 AI Agent、需要给 LLM 应用加"公司大脑"、想让 Claude Code 拥有跨项目记忆的，值得试一试。

GitHub：https://github.com/topoteretes/cognee