關於 cognee
What Is Cognee
Cognee 站在你的資料和你原本就在用的模型之間。把檔案、對話或網址交給它，它會建出一張圖譜，裡頭是實體以及實體之間的關係。模型不用換，Cognee 只是在每次呼叫前把對的上下文遞過去。
它服務的是受夠了每次工作階段都從頭開始的人。客服代理記不住上週那張工單，寫程式的助理忘記你一小時前做過的決定。Cognee 把這些上下文存成持久的記憶，需要時代理就能把它調回來。
代價是建立記憶要花錢。每一份要記住的文件都得先切塊、轉成向量，再送進 LLM 抽取實體，所以資料量大時真的會耗時間與詞元。Cognee 本質上是 Python 套件，也就是說你得有可用的 Python 環境，還得準備至少一組供應商的 API 金鑰，才能開始動手。
Getting Started
- 用
pip install cognee安裝套件，並確認你的 Python 是 3.10 以上。 - 把 LLM 金鑰放進
.env檔。一組 OpenAI 金鑰就能同時涵蓋模型與向量嵌入。 - 用
await cognee.remember()帶入文字、檔案或網址。Cognee 會切塊、抽取實體並建好圖譜。 - 用
await cognee.recall()丟一個平常的問題。挑選檢索策略這件事它自己會做。 - 透過 MCP 伺服器、REST API 或 Claude Code 這類直接整合，把它接到代理上。
產品資訊
快速了解 cognee 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 打造 AI 代理的開發者：Cognee 給你代理記憶，並以 AI 記憶 API 接手串接，你不必自己手接向量資料庫和圖資料庫。
- 有共用知識庫的工程團隊：Company Brain 這個設定會把 Slack、GitHub 和 Google Drive 讀進同一份記憶，讓代理查詢。
- 需要可追溯答案的研究者：每則檢索回來的答案都能帶著出處，你會知道它出自哪份文件。
任務
- 讓代理跨工作階段有記憶：對話記住一次，幾天後在新的工作階段還是能調回來。
- 建立公司知識庫：把內部文件、工單和聊天紀錄讀進去，再回答橫跨它們的問題。
- 讀懂一份程式碼庫：把專案索引起來，寫程式的助理就能記得專案結構與過去做過的決定。
情境
- 記得住舊工單的客服代理：它會翻出先前的處理方式，不必讓客戶重講一遍。
- 跨長時間專案的寫程式助理：幾個月後它還記得某個函式當初為什麼那樣寫。
- 來源四散的初期研究：Cognee 把筆記、PDF 和連結串成一張可查詢的圖譜。
主要功能
單一記憶 API
Cognee v1.0 把整個生命週期收進四個呼叫。remember 存資料並建圖譜，recall 用自然語言查詢，improve 為既有的圖譜補充內容，forget 則刪掉單一項目、整個資料集或你擁有的全部。底層用的是哪個資料庫，你不需要知道。
知識圖譜，不只是向量
傳統 RAG 只比對文字的相似度就停住。Cognee 額外疊上一張實體與關係的圖譜，查詢時能沿著文件之間的連結走，而不是只找出相近的段落。這就是「這段文字很像」和「這個人跟那個專案有關」之間的差別。
任何模型都能搭
Cognee 不會取代你的 LLM。把它指向 OpenAI、Gemini、Anthropic 或本機的 Ollama 模型，它就會為你呼叫的那一個準備上下文。換供應商改的是設定，不是重寫程式。
檢索自動路由
呼叫 recall 時，Cognee 會依問題挑選策略。有些問題適合走圖譜，有些適合向量搜尋，由 Cognee 決定，不必你自己選。
MCP 伺服器與代理整合
內附的 MCP 伺服器把 Cognee 的記憶帶進 Cursor、Claude Code、Codex、Cline 等支援 MCP 的工具。官方整合涵蓋 LangGraph、CrewAI、OpenAI Agents 等，多數代理接上去都不需要自己寫串接的程式。
Cognee Cloud 與 Company Brain
Cognee Cloud 代管同一套引擎，附網頁介面、代管儲存空間，以及團隊用的資料集層級權限。你也可以在本機免費跑這套介面，不必註冊帳號。Company Brain 會把 Slack、GitHub 和 Google Drive 讀進共用的工作區記憶。
優缺點
優點
- 以 Apache 2.0 開源，這層開源記憶層可以免費自架。
- 把向量搜尋與圖譜推論放進同一層，遇到需要關係的問題就比傳統 RAG 好用。
- 四個操作的 API 讓學習曲線很短，想讓記憶直接運作的人很快能上手。
- 整合範圍廣，從 Cursor 到 LangGraph 都能嵌進你原本在用的工具。
- 本機介面免費，不必註冊就能試整套平台。
缺點
- 它首先是給開發者用的函式庫，不寫程式的人沒有 Python 就很難走下去。
- 建立記憶會耗 LLM 詞元與時間，資料量大時比單純的索引更慢也更貴。
- 文件偏硬且改得快，照著舊教學做會有風險。
- 專案還年輕，你可能會碰到成熟資料庫不會有的粗糙邊角。
常見問題
Cognee 把你的文件與對話轉成一張知識圖譜，供 AI 代理查詢。它讓模型有長期記憶，能在不同的工作階段之間調回上下文，而不是每次都從零開始。
相關內容
探索與 cognee 相關的工具、技能與文章。
cognee 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。