Cognee：为 AI Agent 装上「长期记忆」的开源知识图谱平台

在 AI Agent 遍地开花的 2026 年，一个被严重低估的问题正在浮现：Agent 没有记忆。每次对话结束，Agent 就像失忆了一样，前面积累的上下文、用户偏好、领域知识，全都消失不见。

今天 GitHub Trending 上的热门项目 Cognee（24K+ Stars，昨日新增 780 Stars）正是解决这个痛点的利器——它是一个开源的 AI Agent 记忆平台，用知识图谱为你的 Agent 装上「长期记忆」。

🧠 Cognee 是什么？

Cognee 本质上是一套自托管的 AI 记忆基础设施。它能把任意格式的数据（文档、对话、API 响应、代码、SQL 查询记录……）持续消化，构建成一个知识图谱，让 Agent 在跨会话时始终保持完整的上下文。

技术栈上，Cognee 融合了 向量嵌入（Vector Embedding）+ 图谱推理（Graph Reasoning）+ 认知科学启发的本体生成（Ontology Generation），让文档不仅按语义可检索，还能通过关系连接建立演化型的知识网络。

✨ 核心功能

1. 四大记忆原语

Cognee 的 API 极其简洁，只有四个操作：

• remember — 将数据永久存入知识图谱
• recall — 智能检索（自动选择最优搜索策略）
• forget — 按需清除数据
• improve — 基于反馈持续优化记忆

2. 统一知识基础设施

Cognee 支持将多种数据源统一接入，构建「企业大脑」。它内置了统一的 ingest 管道，支持多模态数据，运行在本地，保证数据隐私。

3. 会话记忆 + 持久记忆双模式

Agent 可以把短期上下文存在 Session Memory（快速缓存），后台自动同步到持久知识图谱。这意味着 Agent 既能快速响应，又不会丢失任何重要信息。

4. 全部跑在 Postgres 上

传统记忆栈需要 Neo4j（图谱）+ 向量数据库 + Redis（会话）+ 关系数据库，运维成本极高。Cognee 1.0 将所有组件——图谱、向量、会话、元数据——全部跑在一个 Postgres 实例上，部署成本骤降，CI 基准测试中检索速度甚至比分离架构快约 10%。

5. 社区 + 多语言生态

• Python SDK、Rust 客户端、TypeScript 客户端
• Claude Code、Cursor、OpenClaw 等 Agent 平台的原生插件
• MCP 服务器（Model Context Protocol）让任何兼容 Agent 读写 Cognee 记忆
• 支持 Docker 一键部署、Modal/Railway/Fly.io 等云平台

🚀 快速上手

安装

uv pip install cognee

配置 API Key

import os
os.environ["LLM_API_KEY"] = "YOUR_OPENAI_API_KEY"

使用核心 API

import cognee
import asyncio

async def main():
    # 记住信息
    await cognee.remember("Cognee 把文档转化为 AI 记忆。")
    
    # 会话记忆
    await cognee.remember("用户喜欢详细解释。", session_id="chat_1")
    
    # 智能检索（自动选择最优搜索策略）
    results = await cognee.recall("Cognee 做了什么？")
    for result in results:
        print(result)
    
    # 清理
    await cognee.forget(dataset="main_dataset")

asyncio.run(main())

CLI 方式

cognee-cli remember "Cognee turns documents into AI memory."
cognee-cli recall "What does Cognee do?"
cognee-cli --ui  # 打开本地 Web UI

Docker 部署

cp .env.template .env  # 编辑 .env 设置 LLM_API_KEY
docker compose up      # 启动 API Server (http://localhost:8000)
docker compose --profile ui up      # + 前端 UI (http://localhost:3000)
docker compose --profile mcp up     # + MCP Server (http://localhost:8001)

🎯 适用场景

📊 性能表现

在 BEAM 长上下文基准测试中，Cognee 使用默认配置（无需自定义模型）就打出了：

• 100K tokens：得分 0.79（超越之前 SOTA 的 0.735）
• 10M tokens：得分 0.67（超越之前 SOTA 的 0.641）

这证明了 Cognee 的内存检索机制在大规模上下文场景下的优越性。

💡 为什么值得关注？

2026 年是 Agent 爆发年。Claude Code、Cursor、OpenCode、GStack 等工具让 AI 编程成为日常，但 Agent 记忆始终是短板。Cognee 精准切入这个空白：

• 开源 + 自托管：数据主权在自己手里
• 低部署门槛：一个 Postgres 搞定全部，不折腾中间件
• 多 Agent 生态：原生支持主流 Agent 框架
• 活跃社区：24K+ Stars，8400+ Commits，32个语言 README 翻译

如果你正在构建 Agent 应用，或者想让自己的 AI 助手「记住你」，Cognee 绝对值得一试。

项目地址：https://github.com/topoteretes/cognee

官网：https://www.cognee.ai

文档：https://docs.cognee.ai

许可证：Apache-2.0