Cognee：我盯着这个“给 Agent 加记忆”的开源项目看了几分钟

很多人给 AI Agent 补记忆，第一反应还是上 RAG。

先切片，做 embedding，检索，再把捞回来的上下文塞进 prompt。流程大家都很熟，但真做到复杂任务里，问题也差不多会一起冒出来：上下文是拼回来了，记忆却还是断的；能搜到相近内容，不代表能把前后关系也一并找回来。

我刚看到 Cognee 的时候，停了一下。

它没把“记忆”继续写成一个更复杂的检索层，而是往前挪了一步：既要让信息能按语义被搜到，也要让这些信息彼此之间有连接。文档不是一块块散着存，而是进了统一的记忆层，能查相似内容，也能顺着关系往下走。

这个味道就不太一样了。

因为很多 Agent 场景，麻烦从来不只是“找不到”，而是“只找到半句”。你明明想让它记住某段对话里提过的人、事、文件和决策，最后捞回来的却只是几段相近文本。语义接近，但关系丢了，后面的推理就容易发虚。

Cognee 把这件事拆成了一个 ECL 管道：Extract、Cognify、Load。

这个命名挺直接。先把数据抽出来，再做认知加工，最后装进存储层。看到这里大概就明白它为什么会吸引做 Agent 的人：它不是单纯换一个向量库，也不是再包一层检索 API，而是在认真处理“原始资料进来之后，到底该怎么变成可长期调用的记忆”。

而且它给的入口很低。

官方设定里，6 行代码就能把持久化记忆接进去。这个数字当然很像项目对外展示时会强调的那个点，但我更在意的是它后面那套抽象有没有站住。至少从提供的形态看，Cognee 没把自己做成一个只能跑 demo 的玩具，它有 Pythonic 的数据管道，也给了 CLI 和本地 UI，接入方式对开发者算友好。

数据源这块也比较实在，支持 30 多种来源。

过往对话、文件、图像、音频转写都能往里喂。你能感觉到它瞄准的不是“做一次知识问答”，而是想接住 Agent 在真实使用里不断积累下来的那堆杂数据。今天聊过的话，昨天传过的 PDF，某次会议转写里提到的结论，不一定同一种格式，但都可能属于记忆的一部分。

还有个细节挺顺手：它兼容 Ollama。

也就是说，你不一定非得把这套记忆能力绑在云端模型上，本地模型也能往里接。对一些想自己搭 Agent、又希望数据尽量留在本地环境里的开发者，这个口子开得很对。

现在项目已经有 15900 多个 Star。这个数本身不说明一切，但放在“Agent 记忆”这条线上，至少说明它确实戳中了不少人的同一个痛点。

我看完之后的感觉很简单：Cognee 不是在把 RAG 再包装一遍，它更像是在补 RAG 一直没补好的那块——记忆不该只是可检索，还得是连续的。

GitHub地址：topoteretes/cognee