Cognee快速构建动态知识图谱：2026年替代RAG系统指南

还在为AI应用开发中的数据处理和知识管理烦恼吗？cognee作为一款专注于为AI应用和AI智能体（AI Agents）提供确定性输出的工具，能帮助你轻松构建动态知识图谱，替代传统RAG系统。本文将带你在10分钟内完成从环境搭建到运行第一个AI应用的全过程，让你快速掌握cognee的核心功能。

什么是cognee？

cognee是一个开源项目，旨在为AI应用和AI智能体提供确定性的LLM输出。它通过构建可扩展、模块化的ECL（Extract, Cognify, Load）管道，为AI系统提供动态内存，能够互连各种类型的文档，如过往对话、文件、图像和音频转录本，有效替代传统的RAG系统。

cognee的核心优势

cognee具有以下优势：

• 降低开发者的工作量和成本，同时提高输出质量和精度 (Reduce developer workload and costs while improving output quality and accuracy)
• 提供Pythonic数据管道，支持从30多种数据源摄取数据 (Provides Pythonic data pipelines supporting ingestion from over 30 data sources)
• 高度可定制，支持自定义任务、管道和内置搜索端点 (Highly customizable, supporting custom tasks, pipelines, and built-in search endpoints)

环境准备

安装cognee

cognee支持Python 3.10到3.12版本，你可以使用pip、poetry、uv等任何Python包管理器进行安装。这里我们推荐使用uv，它能提供更快的安装速度。

首先安装uv（如果你的系统上没有的话）：

pip install uv

然后使用uv安装cognee：

uv pip install cognee

详细的安装说明可以参考官方文档。

配置环境变量

安装完成后，需要配置环境变量。首先设置LLM API密钥，以OpenAI为例：

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

你也可以通过创建.env文件来设置变量，可参考项目提供的.env.template模板。如需使用其他LLM提供商，请查阅官方LLM提供商文档。

快速开始：第一个cognee应用

下面我们将通过一个简单的示例来演示cognee的基本用法。这个示例将展示如何添加文本数据，生成知识图谱，并进行查询。

创建Python脚本

创建一个新的Python文件，例如simple_example.py，并输入以下代码：

import cognee
import asyncio
from cognee.modules.search.utils import SearchType
import logging
from cognee.infrastructure.logging import setup_logging

async def main():
    # 重置cognee数据和系统状态，确保干净的开始
    print("重置cognee数据...")
    await cognee.prune.prune_data()
    await cognee.prune.prune_system(metadata=True)
    print("数据重置完成.\n")

    # 要添加到cognee的文本，cognee将基于此创建知识图谱
    text = """
    自然语言处理（NLP）是计算机科学和信息检索的一个跨学科子领域。
    """

    print("向cognee添加文本:")
    print(text.strip())
    # 添加文本，使其可用于cognify处理
    await cognee.add(text)
    print("文本添加成功.\n")

    print("运行cognify以创建知识图谱...\n")
    print("Cognify处理步骤:")
    print("1. 文档分类：确定输入文本的类型和类别。")
    print("2. 权限检查：确保用户拥有处理文本的必要权限。")
    print("3. 文本分块提取：将文本分解为句子或短语进行分析。")
    print("4. 添加数据点：存储提取的块用于处理。")
    print("5. 生成知识图谱：提取实体和关系以形成知识图谱。")
    print("6. 文本总结：创建内容的简明摘要以快速获取见解。\n")

    # 使用LLMs和cognee创建知识图谱
    await cognee.cognify()
    print("Cognify处理完成.\n")

    query_text = "告诉我关于NLP的信息"
    print(f"使用查询 '{query_text}' 搜索cognee以获取见解")
    # 查询cognee以获取关于添加文本的见解
    search_results = await cognee.search(query_type=SearchType.INSIGHTS, query_text=query_text)

    print("搜索结果:")
    # 显示结果
    for result_text in search_results:
        print(result_text)

if __name__ == "__main__":
    logger = setup_logging(log_level=logging.ERROR)
    loop = asyncio.new_event_loop()
    asyncio.set_event_loop(loop)
    try:
        loop.run_until_complete(main())
    finally:
        loop.run_until_complete(loop.shutdown_asyncgens())

运行脚本

保存文件后，在终端中运行：

python simple_example.py

运行后，你将看到类似以下的输出：

({'id': UUID('bc338a39-64d6-549a-acec-da60846dd90d'), 'updated_at': datetime.datetime(2024, 11, 21, 12, 23, 1, 211808, tzinfo=datetime.timezone.utc), 'name': '自然语言处理', 'description': '计算机科学和信息检索的一个跨学科子领域。'}, {'relationship_name': 'is_a_subfield_of', 'source_node_id': UUID('bc338a39-64d6-549a-acec-da60846dd90d'), 'target_node_id': UUID('6218dbab-eb6a-5759-a864-b3419755ffe0'), 'updated_at': datetime.datetime(2024, 11, 21, 12, 23, 15, 473137, tzinfo=datetime.timezone.utc)}, {'id': UUID('6218dbab-eb6a-5759-a864-b3419755ffe0'), 'updated_at': datetime.datetime(2024, 11, 21, 12, 23, 1, 211808, tzinfo=datetime.timezone.utc), 'name': '计算机科学', 'description': '研究计算和信息处理的学科。'})

这个输出展示了知识图谱中的节点和关系：

• 第一个元素是源节点 (例如，'自然语言处理') (The first element is the source node (e.g., 'Natural Language Processing'))
• 第二个元素是节点之间的关系 (例如，'is_a_subfield_of') (The second element is the relationship between nodes (e.g., 'is_a_subfield_of'))
• 第三个元素是目标节点 (例如，'计算机科学') (The third element is the target node (e.g., 'Computer Science'))

使用UI可视化知识图谱

cognee提供了UI界面，可以帮助你更直观地查看和交互知识图谱。下面我们将演示如何启动UI并可视化我们刚刚创建的知识图谱。

创建UI启动脚本

创建一个名为start_ui_example.py的文件，内容如下：

#!/usr/bin/env python3
"""
演示如何使用cognee.start_ui()启动前端界面。

这展示了新的UI功能，其工作方式类似于DuckDB的start_ui()。
"""

import asyncio
import cognee
import time

async def main():
    # 首先，让我们向cognee添加一些数据以供UI显示
    print("向cognee添加示例数据...")
    await cognee.add(
        "自然语言处理（NLP）是计算机科学和信息检索的一个跨学科子领域。"
    )
    await cognee.add(
        "机器学习（ML）是人工智能的一个子集，专注于算法和统计模型。"
    )

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

    print("\n" + "=" * 60)
    print("启动cognee UI...")
    print("=" * 60)

    # 启动UI服务器
    server = cognee.start_ui(
        host="localhost",
        port=3000,
        open_browser=True,  # 这将自动打开你的浏览器
    )

    if server:
        print("UI服务器启动成功!")
        print("界面将在以下地址可用: http://localhost:3000")
        print("\n完成后按Ctrl+C停止服务器...")

        try:
            # 保持服务器运行
            while server.poll() is None:  # 当进程仍在运行时
                time.sleep(1)
        except KeyboardInterrupt:
            print("\n停止UI服务器...")
            server.terminate()
            server.wait()  # 等待进程完成
            print("UI服务器已停止。")
    else:
        print("启动UI服务器失败。检查上面的日志以获取详细信息。")

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

运行UI脚本

在终端中运行：

python start_ui_example.py

脚本将自动打开浏览器，显示cognee的UI界面。你可以在界面中查看和交互知识图谱，探索实体之间的关系。

使用Starter Kit快速上手

如果你想更快地开始使用cognee，可以使用cognee-starter-kit。这个仓库提供了结构化的数据集和预构建的数据管道，帮助你在几分钟内完成数据摄取、处理和可视化。

获取Starter Kit

Starter Kit位于项目的cognee-starter-kit目录下。你可以直接使用这个目录中的代码和数据。

安装依赖

进入cognee-starter-kit目录，运行以下命令安装依赖：

uv sync

运行示例管道

Starter Kit提供了多个示例管道，你可以根据需要选择运行：

• 运行默认管道 (Run the default pipeline)

  python src/pipelines/default.py
  

• 运行低级管道 (Run the low-level pipeline)

  python src/pipelines/low_level.py
  

• 运行自定义模型管道 (Run the custom model pipeline)

  python src/pipelines/custom-model.py
  

图预览

cognee提供了visualize_graph函数，可以为你渲染图形。以下是使用示例：

graph_file_path = str(
    pathlib.Path(
        os.path.join(pathlib.Path(__file__).parent, ".artifacts/graph_visualization.html")
    ).resolve()
)
await visualize_graph(graph_file_path)

运行后，你将得到一个HTML文件，可以在浏览器中打开查看知识图谱的可视化结果。

总结与下一步

通过本文的介绍，你已经了解了cognee的基本概念和使用方法，并成功搭建并运行了你的