企业官网建设流程全解析

AI Agent 已经可以帮助开发者写代码、整理资料、分析文档和处理业务流程，但在真实使用中，很多 Agent 仍然有一个明显短板：记忆不够稳定。

一次会话里它可能理解你的需求，但换一个会话、换一个任务、换一个工具后，之前的项目背景、业务规则、用户偏好、历史决策就可能丢失。

topoteretes/cognee正是围绕这个问题设计的开源项目。它的定位是开源 AI 记忆平台，可以为 AI Agent 提供跨会话的长期记忆，并通过自托管知识图谱让 Agent 能够记住、连接和调用上下文。官方 README 也说明，Cognee 可以接收不同格式的数据，构建自托管知识图谱，并结合向量嵌入、图推理和本体生成，让文档既能按语义搜索，也能按关系连接。

一、什么是 Cognee？

Cognee 是一个面向 AI Agent 的开源记忆平台。

它的核心目标是：

让 AI Agent 拥有可持续积累、可检索、可连接的长期记忆。

传统 RAG 系统通常更像“搜索资料”：用户提问后，从向量库里找相似片段，再交给模型回答。

Cognee 更进一步，它希望把文档、对话、决策、项目资料和业务知识构造成记忆网络，让 Agent 不只是找到文本片段，而是理解不同信息之间的关系。

简单理解：

普通RAG：找到相关内容 Cognee：找到相关内容 + 建立关系 + 形成长期记忆

这类能力比较适合用于 AI 助手、企业知识库、AI Coding Agent、客服系统、研究助手和多 Agent 工作流。

二、Cognee 解决什么问题？

很多 AI Agent 在实际使用中会遇到类似问题：

• 每次都要重新解释项目背景
• 历史决策无法长期保留
• 文档之间的关系难以建立
• 向量搜索只能找到相似文本，不能很好表达结构关系
• 多个 Agent 之间无法共享知识
• 团队知识沉淀后，AI 仍然无法稳定调用

Cognee 的价值就在于给 Agent 增加一层“长期记忆基础设施”。

官方介绍中提到，Cognee 可用于构建公司级知识大脑、统一多来源数据、支持图与向量搜索、本地运行、上下文管理、跨 Agent 知识共享，以及可追踪和可审计的 Agent 记忆能力。

三、核心特点解析

1. 长期记忆能力

Cognee 可以把内容存入知识图谱，供 Agent 在后续会话中继续检索和调用。

这对于长期项目非常有用，例如：

• 代码项目历史决策
• 客户沟通记录
• 产品需求变更
• 企业内部知识文档
• 个人知识库
• 多轮研究资料

AI 不再只是依赖当前上下文窗口，而是可以从持久化记忆中找回历史信息。

2. 图谱 + 向量混合检索

Cognee 不只是简单向量库。

它结合了：

• vector embeddings
• graph reasoning
• ontology generation
• knowledge graph

这种方式可以同时保留语义相似度和结构关系。

例如普通向量检索可能知道“这两段内容相似”，而知识图谱可以进一步表达：

某客户 → 使用某产品 → 提过某问题 → 关联某解决方案

这种关系型记忆更适合复杂业务系统和多 Agent 场景。

3. 支持 AI Agent 接入

Cognee 可以和多种 Agent 工具配合使用。其官网说明，它支持 Claude Code、Cursor、LangGraph、OpenClaw 等集成，并提供 MCP Server，让兼容 MCP 的 Agent 可以读写 Cognee 记忆。

这意味着它不仅适合做普通知识库，也适合接入 AI Coding、自动化工作流和多 Agent 系统。

4. API 简单，适合开发者集成

Cognee 的基础 API 围绕几个核心操作展开：

• remember：写入记忆
• recall：检索记忆
• forget：删除记忆
• improve：优化记忆

官方 Quickstart 中展示了通过 Python 代码调用cognee.remember()和cognee.recall()的方式，也提供了cognee-cli remember、cognee-cli recall、cognee-cli forget --all等命令行用法。

这种设计比较适合开发者快速接入自己的 Agent 应用。

四、适合哪些场景？

Cognee 比较适合以下场景：

AI个人助手

记录用户偏好、历史任务、长期计划和常用资料。

AI Coding Agent

让 Claude Code、Cursor 等工具记住项目背景、架构约定、历史修复记录和开发决策。

企业知识库

把文档、手册、流程、FAQ 和内部资料整理成可检索的记忆层。

客服与业务助手

让 Agent 能够记住客户历史问题、处理过程和关联知识。

研究与资料整理

适合长期收集论文、网页、笔记、报告，并构建可查询的知识网络。

多 Agent 协作

多个 Agent 可以围绕同一份记忆层工作，减少重复学习和上下文丢失。

五、部署参考

环境准备

Cognee 官方 Quickstart 要求 Python 3.10 到 3.14。

apt update apt install -y git python3 python3-venv python3-pip docker.io docker-compose-plugin

Python 安装方式

python3 -m venv .venv source .venv/bin/activate pip install cognee

如果使用 uv，也可以：

uv pip install cognee

官方 README 中给出的安装方式是通过 Python 包管理器安装 Cognee，并配置LLM_API_KEY后运行记忆管道。

配置模型 Key

export LLM_API_KEY="你的模型API_KEY"

也可以创建.env文件集中管理配置。

Python 使用示例

import cognee import asyncio async def main(): await cognee.remember("这个项目使用 FastAPI 作为后端框架。") results = await cognee.recall("这个项目后端框架是什么？") for item in results: print(item) asyncio.run(main())

CLI 使用示例

cognee-cli remember "Cognee 可以把文档转成 AI 记忆。" cognee-cli recall "Cognee 能做什么？" cognee-cli forget --all

如果需要打开本地 UI，可以使用：

cognee-cli -ui

官方说明中提到，cognee-cli -ui启动的 MCP Server 会运行在 Docker 容器中，因此需要 Docker 或兼容 OCI 的运行环境。

六、Docker部署参考

如果希望使用容器方式部署，可以克隆仓库后创建.env文件：

git clone https://github.com/topoteretes/cognee.git cd cognee cp .env.template .env

编辑.env，至少配置：

LLM_API_KEY=你的模型API_KEY

启动 API 服务：

docker compose up

如果需要同时启动前端 UI、MCP Server 或 Postgres/PGVector，可以使用官方提供的 profile：

docker compose --profile ui up docker compose --profile mcp up docker compose --profile postgres up

官方 README 中说明，Docker Compose 可以启动 API Server，也可以通过不同 profile 组合启用前端、MCP Server 和 Postgres/PGVector。

七、服务器部署建议

Cognee 不是普通的一次性脚本，更适合作为长期运行的 AI 记忆基础设施。

如果只是个人测试，本地电脑运行即可。但如果用于长期 Agent 工作流，建议放到独立服务器环境中，原因主要有：

• 记忆数据需要长期保存
• Agent 可能需要持续读写
• 多项目资料需要集中管理
• 多个工具可能同时调用 MCP Server
• 图谱、向量库、数据库需要稳定运行
• 本地电脑关机后会影响 Agent 记忆服务

例如可以在莱卡云服务器上部署 Cognee，将 API 服务、MCP Server、数据库、向量存储和项目资料目录统一管理。这样本地只负责连接和调用，长期记忆、知识图谱、数据检索和 Agent 工作流都可以在服务器端持续运行。

这种方式比较适合：

• AI Coding 远程开发环境
• 企业内部知识库
• 长期个人 AI 助手
• 多 Agent 协作平台
• 客服与业务知识系统
• RAG + Knowledge Graph 混合检索系统

八、配置建议

个人轻量测试可以从 2 核 4G 起步。

如果需要运行 API、MCP Server、本地 UI 和基础数据库，建议 4 核 8G。

如果要接入大量文档、多人使用、长期存储知识图谱和向量数据，建议 8 核 16G 或更高配置，并预留足够磁盘空间。

参考配置：

个人测试：2核4G 小型知识库：4核8G 团队知识库：8核16G 多 Agent / 企业内部系统：16核32G+

如果使用外部模型 API，CPU 压力通常不会特别大；真正需要关注的是数据库、向量索引、文档数量、并发查询和磁盘空间。

九、使用注意事项

Cognee 可以增强 AI Agent 的长期记忆能力，但部署时需要注意数据安全。

建议：

• 不要把敏感密钥直接写入代码
• .env文件限制权限
• MCP Server 不要裸露在公网
• 管理后台加反向代理和访问控制
• 重要数据定期备份
• 按项目或团队隔离数据集
• 涉及客户资料时确认合规要求
• 生产环境修改前做好人工审核

AI 记忆系统越强，越需要重视权限边界。尤其是企业知识库、客户数据、内部文档和代码仓库，不建议无鉴权暴露给公网。

十、总结

Cognee 本质上是一个：

面向 AI Agent 的开源长期记忆平台。

它的主要价值在于：

• 为 AI Agent 提供跨会话长期记忆
• 将数据构建为自托管知识图谱
• 结合向量搜索与图推理
• 支持 Python API、CLI、UI 和 MCP Server
• 适合 Claude Code、Cursor、LangGraph 等 Agent 工作流
• 适合企业知识库、AI Coding、客服助手和多 Agent 系统

对于正在构建 AI Agent、RAG 应用或企业知识系统的开发者来说，Cognee 是一个值得关注的开源项目。配合稳定的云端运行环境使用，可以把 AI 的“短期对话能力”逐步扩展成“长期记忆与知识管理能力”。