Cognee: 将原始数据转化为智能体持久动态记忆的开源知识引擎

关于 Cognee

Cognee 是一个开源知识引擎，能够将您的原始数据转化为智能体（Agents）持久且动态的 AI 记忆。它结合了向量搜索、图数据库和自我改进能力，使您的文档不仅可以通过语义进行搜索，还能随着数据的变化和发展，通过关系相互连接。

Cognee 提供了默认的知识创建和搜索功能，我们将在下文进行描述。但更重要的是，您可以使用 Cognee 构建自己的模块化知识块！

⭐ 帮助我们触达更多开发者，壮大 Cognee 社区。请为这个仓库点个 Star！

Cognee 开源版的核心优势

• 互连各类数据 — 包括历史对话、文件、图像和音频转录文本。
• 统一知识引擎 — 用基于图和向量的统一知识引擎替代传统的数据库查询。
• 降本增效提精度 — 减少开发工作量与基础设施成本，同时提升质量和精度。
• 灵活的 Python 数据管道 — 提供从 30 多种数据源进行数据摄取的 Pythonic 管道。
• 高度可定制 — 支持用户自定义任务、模块化管道和内置搜索端点。

基础使用与功能指南

要了解更多信息，请查看这个简短、端到端的 Colab 教程，了解 Cognee 的核心功能。

快速开始

让我们用几行代码尝试一下 Cognee。有关详细设置和配置，请参阅 Cognee 文档。

先决条件

• Python 3.10 至 3.13

步骤 1：安装 Cognee

您可以使用 pip、poetry、uv 或您喜欢的 Python 包管理器来安装 Cognee。

uv pip install cognee

步骤 2：配置大语言模型 (LLM)

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

或者，使用我们的模板创建一个 .env 文件。 要集成其他 LLM 提供商，请参阅我们的 LLM 提供商文档。

步骤 3：运行管道

Cognee 将处理您的文档，从中生成知识图谱，然后基于组合关系查询该图谱。 现在，运行一个最小化的管道：

import cognee
import asyncio
from pprint import pprint

async def main():
    # 向 cognee 添加文本
    await cognee.add("Cognee turns documents into AI memory.")

    # 生成知识图谱
    await cognee.cognify()

    # 向图谱添加记忆算法
    await cognee.memify()

    # 查询知识图谱
    results = await cognee.search("What does Cognee do?")

    # 显示结果
    for result in results:
        pprint(result)

if __name__ == '__main__':
    asyncio.run(main())

如您所见，输出是从我们先前存储在 Cognee 中的文档生成的：

Cognee turns documents into AI memory.

使用 Cognee CLI

作为替代方案，您可以使用以下基本命令开始：

# 添加数据
cognee-cli add "Cognee turns documents into AI memory."

# 生成知识图谱
cognee-cli cognify

# 搜索
cognee-cli search "What does Cognee do?"

# 删除所有数据
cognee-cli delete --all

要打开本地用户界面，请运行：

cognee-cli -ui

演示与示例

观看 Cognee 的实际应用：

• 持久化智能体记忆

• 简单 GraphRAG

• Cognee 与 Ollama 集成

社区与支持

贡献

我们欢迎社区的贡献！您的意见有助于让 Cognee 对每个人变得更好。请参阅 CONTRIBUTING.md 开始贡献。

行为准则

我们致力于培育一个包容和尊重的社区。请阅读我们的 行为准则 了解指导方针。

研究与引用

我们最近发表了一篇关于优化知识图谱以提升 LLM 推理能力的研究论文：

@misc{markovic2025optimizinginterfaceknowledgegraphs,
      title={Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning},
      author={Vasilije Markovic and Lazar Obradovic and Laszlo Hajdu and Jovan Pavlovic},
      year={2025},
      eprint={2505.24478},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2505.24478},
}