Cognee:给 AI Agent 补记忆,这次终于不是再套一层 RAG 了

我刚点进 Cognee 仓库时，先停在那句“6 行代码做 AI memory”。

这种话平时看多了，第一反应 usually 都是：又来一个把 RAG 包装一下的项目。可往下翻两眼，味道不太一样。它没有把“记忆”继续当成一堆切碎的 chunk 去塞进上下文，而是把语义检索和关系连接放在一起做，底下同时接向量库和图存储。文档不只是能被搜到，还会和人、事件、主题重新挂上关系。

这类东西，Agent 一上手就能感觉出来差别。

传统 RAG 最烦的不是搜不到，而是搜出来的东西经常只对一半。你问的是“这个人之前答应过什么”，它给你抛回来几段相似文本；你再追问一次，上下文又断了。Cognee 想补的就是这块：把过往对话、文件、图片、音频转写之类的内容先吃进去，再在 Cognify 这一步里拆 chunk、做 embedding、抽实体、建边，最后变成一层可持续更新的记忆。

我更在意的是它把流程抽得很干净。

ECL，Extract、Cognify、Load。名字不复杂，但这套分法挺适合开发者下手：先接数据，再把原始内容整理成结构化知识，最后写进对应的存储后端。你可以把它当成 RAG 的替代品，也可以把它当成一层专门给 Agent 准备的 memory pipeline，后面自己改 chunker、ontology、search type 都还有空间。

还有个细节我看了下，Cognee 没把自己做成只能写 Python 代码的库。

它有 CLI，能直接 add、cognify、search，也能起本地 UI。想全本地跑也行，官方文档和博客都给了 Ollama 这条路。对很多正在折腾本地 Agent、知识库、私有数据接入的人来说，这比“模型多强”更实在。

现在再看 Cognee，会发现它火不是因为“AI memory”这几个字新。

而是很多人已经被上下文膨胀、检索失真、记忆不连续折腾过一轮了，开始接受一件事：给 Agent 补记忆，可能确实不该再只靠向量检索硬顶。Cognee 这套图加向量的做法，至少已经把这件事往能落地的方向推了一步。仓库目前在 GitHub 上已经有 15.9k+ Star。