AI Agent 已经可以帮助开发者写代码、整理资料、分析文档和处理业务流程但在真实使用中很多 Agent 仍然有一个明显短板记忆不够稳定。一次会话里它可能理解你的需求但换一个会话、换一个任务、换一个工具后之前的项目背景、业务规则、用户偏好、历史决策就可能丢失。topoteretes/cognee正是围绕这个问题设计的开源项目。它的定位是开源 AI 记忆平台可以为 AI Agent 提供跨会话的长期记忆并通过自托管知识图谱让 Agent 能够记住、连接和调用上下文。官方 README 也说明Cognee 可以接收不同格式的数据构建自托管知识图谱并结合向量嵌入、图推理和本体生成让文档既能按语义搜索也能按关系连接。一、什么是 CogneeCognee 是一个面向 AI Agent 的开源记忆平台。它的核心目标是让 AI Agent 拥有可持续积累、可检索、可连接的长期记忆。传统 RAG 系统通常更像“搜索资料”用户提问后从向量库里找相似片段再交给模型回答。Cognee 更进一步它希望把文档、对话、决策、项目资料和业务知识构造成记忆网络让 Agent 不只是找到文本片段而是理解不同信息之间的关系。简单理解普通RAG找到相关内容 Cognee找到相关内容 建立关系 形成长期记忆这类能力比较适合用于 AI 助手、企业知识库、AI Coding Agent、客服系统、研究助手和多 Agent 工作流。二、Cognee 解决什么问题很多 AI Agent 在实际使用中会遇到类似问题每次都要重新解释项目背景历史决策无法长期保留文档之间的关系难以建立向量搜索只能找到相似文本不能很好表达结构关系多个 Agent 之间无法共享知识团队知识沉淀后AI 仍然无法稳定调用Cognee 的价值就在于给 Agent 增加一层“长期记忆基础设施”。官方介绍中提到Cognee 可用于构建公司级知识大脑、统一多来源数据、支持图与向量搜索、本地运行、上下文管理、跨 Agent 知识共享以及可追踪和可审计的 Agent 记忆能力。三、核心特点解析1. 长期记忆能力Cognee 可以把内容存入知识图谱供 Agent 在后续会话中继续检索和调用。这对于长期项目非常有用例如代码项目历史决策客户沟通记录产品需求变更企业内部知识文档个人知识库多轮研究资料AI 不再只是依赖当前上下文窗口而是可以从持久化记忆中找回历史信息。2. 图谱 向量混合检索Cognee 不只是简单向量库。它结合了vector embeddingsgraph reasoningontology generationknowledge graph这种方式可以同时保留语义相似度和结构关系。例如普通向量检索可能知道“这两段内容相似”而知识图谱可以进一步表达某客户 → 使用某产品 → 提过某问题 → 关联某解决方案这种关系型记忆更适合复杂业务系统和多 Agent 场景。3. 支持 AI Agent 接入Cognee 可以和多种 Agent 工具配合使用。其官网说明它支持 Claude Code、Cursor、LangGraph、OpenClaw 等集成并提供 MCP Server让兼容 MCP 的 Agent 可以读写 Cognee 记忆。这意味着它不仅适合做普通知识库也适合接入 AI Coding、自动化工作流和多 Agent 系统。4. API 简单适合开发者集成Cognee 的基础 API 围绕几个核心操作展开remember写入记忆recall检索记忆forget删除记忆improve优化记忆官方 Quickstart 中展示了通过 Python 代码调用cognee.remember()和cognee.recall()的方式也提供了cognee-cli remember、cognee-cli recall、cognee-cli forget --all等命令行用法。这种设计比较适合开发者快速接入自己的 Agent 应用。四、适合哪些场景Cognee 比较适合以下场景AI个人助手记录用户偏好、历史任务、长期计划和常用资料。AI Coding Agent让 Claude Code、Cursor 等工具记住项目背景、架构约定、历史修复记录和开发决策。企业知识库把文档、手册、流程、FAQ 和内部资料整理成可检索的记忆层。客服与业务助手让 Agent 能够记住客户历史问题、处理过程和关联知识。研究与资料整理适合长期收集论文、网页、笔记、报告并构建可查询的知识网络。多 Agent 协作多个 Agent 可以围绕同一份记忆层工作减少重复学习和上下文丢失。五、部署参考环境准备Cognee 官方 Quickstart 要求 Python 3.10 到 3.14。apt update apt install -y git python3 python3-venv python3-pip docker.io docker-compose-pluginPython 安装方式python3 -m venv .venv source .venv/bin/activate pip install cognee如果使用 uv也可以uv pip install cognee官方 README 中给出的安装方式是通过 Python 包管理器安装 Cognee并配置LLM_API_KEY后运行记忆管道。配置模型 Keyexport LLM_API_KEY你的模型API_KEY也可以创建.env文件集中管理配置。Python 使用示例import cognee import asyncio async def main(): await cognee.remember(这个项目使用 FastAPI 作为后端框架。) results await cognee.recall(这个项目后端框架是什么) for item in results: print(item) asyncio.run(main())CLI 使用示例cognee-cli remember Cognee 可以把文档转成 AI 记忆。 cognee-cli recall Cognee 能做什么 cognee-cli forget --all如果需要打开本地 UI可以使用cognee-cli -ui官方说明中提到cognee-cli -ui启动的 MCP Server 会运行在 Docker 容器中因此需要 Docker 或兼容 OCI 的运行环境。六、Docker部署参考如果希望使用容器方式部署可以克隆仓库后创建.env文件git clone https://github.com/topoteretes/cognee.git cd cognee cp .env.template .env编辑.env至少配置LLM_API_KEY你的模型API_KEY启动 API 服务docker compose up如果需要同时启动前端 UI、MCP Server 或 Postgres/PGVector可以使用官方提供的 profiledocker compose --profile ui up docker compose --profile mcp up docker compose --profile postgres up官方 README 中说明Docker Compose 可以启动 API Server也可以通过不同 profile 组合启用前端、MCP Server 和 Postgres/PGVector。七、服务器部署建议Cognee 不是普通的一次性脚本更适合作为长期运行的 AI 记忆基础设施。如果只是个人测试本地电脑运行即可。但如果用于长期 Agent 工作流建议放到独立服务器环境中原因主要有记忆数据需要长期保存Agent 可能需要持续读写多项目资料需要集中管理多个工具可能同时调用 MCP Server图谱、向量库、数据库需要稳定运行本地电脑关机后会影响 Agent 记忆服务例如可以在莱卡云服务器上部署 Cognee将 API 服务、MCP Server、数据库、向量存储和项目资料目录统一管理。这样本地只负责连接和调用长期记忆、知识图谱、数据检索和 Agent 工作流都可以在服务器端持续运行。这种方式比较适合AI Coding 远程开发环境企业内部知识库长期个人 AI 助手多 Agent 协作平台客服与业务知识系统RAG Knowledge Graph 混合检索系统八、配置建议个人轻量测试可以从 2 核 4G 起步。如果需要运行 API、MCP Server、本地 UI 和基础数据库建议 4 核 8G。如果要接入大量文档、多人使用、长期存储知识图谱和向量数据建议 8 核 16G 或更高配置并预留足够磁盘空间。参考配置个人测试2核4G 小型知识库4核8G 团队知识库8核16G 多 Agent / 企业内部系统16核32G如果使用外部模型 APICPU 压力通常不会特别大真正需要关注的是数据库、向量索引、文档数量、并发查询和磁盘空间。九、使用注意事项Cognee 可以增强 AI Agent 的长期记忆能力但部署时需要注意数据安全。建议不要把敏感密钥直接写入代码.env文件限制权限MCP Server 不要裸露在公网管理后台加反向代理和访问控制重要数据定期备份按项目或团队隔离数据集涉及客户资料时确认合规要求生产环境修改前做好人工审核AI 记忆系统越强越需要重视权限边界。尤其是企业知识库、客户数据、内部文档和代码仓库不建议无鉴权暴露给公网。十、总结Cognee 本质上是一个面向 AI Agent 的开源长期记忆平台。它的主要价值在于为 AI Agent 提供跨会话长期记忆将数据构建为自托管知识图谱结合向量搜索与图推理支持 Python API、CLI、UI 和 MCP Server适合 Claude Code、Cursor、LangGraph 等 Agent 工作流适合企业知识库、AI Coding、客服助手和多 Agent 系统对于正在构建 AI Agent、RAG 应用或企业知识系统的开发者来说Cognee 是一个值得关注的开源项目。配合稳定的云端运行环境使用可以把 AI 的“短期对话能力”逐步扩展成“长期记忆与知识管理能力”。