Cognee：我刚点开这个开源项目时，先注意到的不是“记忆”，而是它想把 RAG 从补丁改成底座

Cognee：我刚点开这个开源项目时，先注意到的不是“记忆”，而是它想把 RAG 从补丁改成底座

给 Agent 接记忆这件事，很多人已经折腾过一轮了。

最常见的路子还是 RAG：切文档、做 embedding、进向量库、检索、拼上下文。刚开始看着都对，真跑起来就容易出问题。对话一长，前后信息接不上；资料一多，检索结果开始飘；同一个人、同一件事，明明有关联，系统却只能按一段段碎片去捞。

我点进 Cognee 的时候，停了一下。

它不是在讲“再做一个更强的检索器”，而是想直接给 Agent 补一层长期可用的记忆结构。不是临时塞上下文，而是把信息存下来，之后还能继续找、继续连。

这个思路一下就跟常规 RAG 拉开了。

Cognee 做的事，说白了就是两层一起上：一层是向量搜索，负责按语义把东西找回来；另一层是图数据库，负责把人物、事件、概念之间的关系串起来。这样记忆不再只是几段 embedding，而是既能搜到，又知道它跟谁有关系。

看到这里，大概就明白它为什么会让做 Agent 的人有点兴趣。

因为很多所谓“记忆”方案，最后只是把历史消息存进库里，换个方式再检索一遍。能不能找到是一回事，找到之后是不是同一条线索，又是另一回事。Cognee 这里明显更在意后者。

它把整套流程抽象成了一个 ECL 管道：Extract、Cognify、Load。

我挺在意中间那个 Cognify。

前面的 Extract 很好理解，就是把数据拉进来；后面的 Load 也不陌生，就是落到可查询的存储层里。真正不太一样的是中间这步，它不是简单清洗一下文本，而是把原始内容变成更适合 Agent 理解和调用的“认知结构”。这一步做完，后面无论是检索、关联，还是长期记忆，都不再只是原文搬运。

这就不是传统 RAG 那种“切完就存、存完就查”的味道了。

另一个让我多看了两眼的地方，是它的数据入口做得挺宽。

Cognee 提供的是一套比较 Pythonic 的数据管道，能接 30 多种数据源，过往对话、文件、图像、音频转写这些都能往里喂。你能感觉到它不是只服务“文档问答”这一类场景，而是奔着更完整的 Agent memory 去的。

这点很现实。

真到业务里，Agent 需要记住的从来不只是 PDF。还有聊天记录、操作痕迹、外部知识、用户偏好，甚至一段语音转文字后的上下文。记忆层一旦只盯着单一文本源，后面很快就会别扭。

Cognee 没把门槛抬得很高，这也挺重要。

项目给出的设定很直接：6 行代码就能把持久化记忆接进 Agent。先不说复杂系统里到底会不会只停在 6 行，至少它传递出的信号很明确——这不是一个只能拿来读论文、很难真正接进现有工作流的东西。它还有 CLI、本地 UI，也兼容 Ollama 这类本地模型，意味着你既可以从代码里接，也可以先在本地把链路跑通。

我更愿意把它看成一种基础设施倾向。

不是“帮你把 RAG 做得更顺一点”，而是把原来外挂式的知识检索，往统一记忆层上收。文档能进来，对话能进来，关系能留下，后面 Agent 调用时不用每次都从碎片重新拼世界。

现在这个项目已经有 15900 多个 Star，热度不低。它未必能替掉所有 RAG 场景，但至少把一个很实际的问题重新摆到了台面上：Agent 需要的也许不是更多上下文，而是一套能长期积累、能保留关系的记忆系统。

GitHub地址：topoteretes/cognee