1 · Cognee 介绍（Introduction to Cognee）

记忆管道与知识图谱构建 · 本章是 Cognee DeepWiki 中文译文的独立章节页，保留原始链接、源码锚点、模块标签和章节层级。

项目Cognee 章节1 状态全文译文模块系统架构、检索、召回与索引、界面与交互、配置治理

项目要点页2.5 参考项目项目章节目录Cognee DeepWiki 原始章节Introduction to Cognee 下一章1.1

源码线索

.env.template
README.md
assets/cognee_benefits.png
cognee/api/v1/add/add.py
cognee/api/v1/cognify/cognify.py
cognee/api/v1/config/config.py
cognee/infrastructure/llm/config.py
cognee/infrastructure/llm/structured_output_framework/litellm_instructor/llm/bedrock/adapter.py
cognee/infrastructure/llm/structured_output_framework/litellm_instructor/llm/get_llm_client.py
cognee/modules/data/models/Data.py

模块标签

系统架构
检索、召回与索引
界面与交互
配置治理
图谱与关系

中文译文

Cognee 介绍（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/topoteretes/cognee/1-introduction-to-cognee

翻译时间：2026-05-27T08:45:13.684Z

翻译模型：deepseek-chat

原文字符数：10372

项目：Cognee (cognee)

--- 好的，作为一名资深技术文档翻译专家，我将严格遵循您的要求，对这篇 DeepWiki 技术文档进行全文翻译和润色。

---

T287d,

Cognee 简介

什么是 Cognee？

Cognee 是一个开源的知识引擎，为 AI 智能体提供持久化记忆基础设施。它充当原始数据与大语言模型（LLM）上下文之间的语义层，将非结构化信息转换为可查询的知识图谱，智能体可以利用这些图谱进行增强推理和上下文检索 README.md:65-68。

核心价值主张：

知识基础设施：提供统一的入库、图谱/向量搜索以及本体对齐功能 README.md:85。
持久化与学习型智能体：使智能体能够从反馈中学习，并在不同会话间共享知识 README.md:86。
可靠与可信赖：提供基于智能体的用户/租户隔离、通过 OpenTelemetry (OTEL) 实现的可追溯性以及审计特性 README.md:87。
多接口支持：可通过 Python API、CLI、REST API 和 MCP 服务器访问 README.md:128-175。

系统接口：

接口	入口点	传输方式	使用场景
Python SDK	`import cognee`	直接函数调用	嵌入 Python 应用程序
CLI	`cognee-cli`	Shell 执行	本地开发和脚本编写
REST API	`cognee.api.client:app`	端口 8000 的 HTTP	Web 应用和远程客户端
MCP 服务器	`cognee-mcp`	stdio/SSE/HTTP	IDE 集成（Cursor, Claude, VS Code）

所有接口都暴露了相同的核心操作：add()、cognify() 和 search()，或者更高级别的记忆 API：remember()、recall() 和 forget() README.md:126-155。

本文档涵盖了架构基础和数据流。有关实现细节，请参阅：

安装和配置：安装与设置
基本使用示例：快速入门指南
架构深入探讨：系统架构总览
管线内部原理：核心数据管线
存储配置：数据库架构

来源：README.md:1-90，pyproject.toml:1-10，cognee/api/v1/add/add.py:92-114，cognee/api/v1/cognify/cognify.py:43-59

---

核心操作

Cognee 的功能围绕着一系列操作展开，这些操作处理从数据入库、知识提取到检索的完整流程。

graph LR
    A["原始数据<br/>(文件、文本、URL)"]
    B["remember()<br/>cognee.api.v1.remember"]
    C["cognify()<br/>cognee.api.v1.cognify"]
    D["recall()<br/>cognee.api.v1.recall"]
    E["结果<br/>(片段、图谱、答案)"]

    A --> B
    B --> C
    C --> D
    D --> E

核心操作流程：从数据入库到知识检索

remember() - 统一存储

函数签名：remember(data: Any, user_id: UUID, session_id: str = None)。 remember() 函数提供了一个高级抽象，它将 add()、cognify() 和 improve() 组合成单个调用 README.md:136-137。它可以将数据永久存储在知识图谱中，或者存储在快速的会话记忆里（并在后台同步到图谱）README.md:136-140。

cognify() - 知识图谱生成

函数签名：cognify(datasets: Union[str, list[str], list[UUID]] = None, graph_model: BaseModel = KnowledgeGraph) cognee/api/v1/cognify/cognify.py:43-46。通过一个多阶段管线将已入库的数据转换为结构化的知识图谱。该过程包括文档分类 cognee/api/v1/cognify/cognify.py:83、文本片段切分 cognee/api/v1/cognify/cognify.py:84 以及由大语言模型（LLM）驱动的实体/关系提取 cognee/api/v1/cognify/cognify.py:85-86。

召回() - 多策略检索

函数签名：recall(query: str, session_id: str = None)。查询知识时，会自动路由以选择最佳搜索策略，例如图谱补全或检索增强生成（RAG）README.md:142-143。它可以在回退到永久图谱之前，先查询会话记忆 README.md:147-148。

来源：cognee/api/v1/cognify/cognify.py:43-95，README.md:119-155，cognee/api/v1/add/add.py:92-150

---

系统架构总览

Cognee 的架构在接口层、应用逻辑层、存储层和外部服务层之间进行了关注点分离。

graph TB
    subgraph "接口层"
        SDK["Python SDK<br/>cognee.__init__"]
        CLI["CLI<br/>cognee.cli._cognee"]
        API["REST API<br/>cognee.api.client:app"]
    end

    subgraph "应用层"
        AddOp["add()<br/>cognee.api.v1.add.add"]
        CogOp["cognify()<br/>cognee.api.v1.cognify.cognify"]

        Pipeline["管线<br/>cognee.modules.pipelines.run_pipeline"]
        Tasks["任务<br/>cognee.modules.pipelines.operations.run_tasks"]
    end

    subgraph "存储层"
        RelDB["关系型数据库<br/>SQLAlchemyAdapter"]
        VecDB["向量数据库<br/>VectorDBInterface"]
        GraphDB["图数据库<br/>GraphDBInterface"]

        SQLite[("SQLite / Postgres")]
        Lance[("LanceDB / Chroma")]
        Kuzu[("Kuzu / Neo4j")]
    end

    subgraph "AI 服务"
        LLM["大语言模型客户端<br/>LLMConfig"]
        Embed["嵌入引擎"]
    end

    SDK --> AddOp
    CLI --> SDK
    API --> AddOp

    AddOp --> Tasks
    CogOp --> Pipeline

    Pipeline --> RelDB
    Pipeline --> VecDB
    Pipeline --> GraphDB
    Pipeline --> LLM
    Pipeline --> Embed

    RelDB --> SQLite
    VecDB --> Lance
    GraphDB --> Kuzu

系统架构：组件交互与代码实体

关键组件

接口层：入口点，包括 Python API、CLI pyproject.toml:204 和 FastAPI 服务器 pyproject.toml:44。
应用层：编排记忆管理逻辑。add() 负责处理入库 cognee/api/v1/add/add.py:92，而 cognify() 负责处理图谱生成 cognee/api/v1/cognify/cognify.py:43。两者都使用了 run_tasks 编排器 cognee/modules/pipelines/operations/run_tasks.py:56。
存储层：采用三数据库设计，使用 SQLAlchemy 处理关系型数据 pyproject.toml:29，并使用专用接口处理向量和图存储 pyproject.toml:40,50,52。后端可通过 LLMConfig 和环境变量进行配置 .env.template:120-161。
AI 服务：通过 litellm 和 instructor pyproject.toml:32-33 或 BAML cognee/infrastructure/llm/config.py:41-48 与大语言模型（LLM）集成，用于结构化提取。

来源：cognee/api/v1/add/add.py:92-114，cognee/api/v1/cognify/cognify.py:43-59，pyproject.toml:22-64，cognee/infrastructure/llm/config.py:15-88，cognee/modules/pipelines/operations/run_tasks.py:56-65

---

配置与可观测性

Cognee 提供了灵活的配置系统和内置的可观测性功能。

配置：通过 LLMConfig cognee/infrastructure/llm/config.py:15 和 config 的静态方法 cognee/api/v1/config/config.py:96 进行管理。它支持对提供商、模型和数据库路径进行运行时覆盖 cognee/api/v1/config/config.py:104-115。
数据库适配器：支持广泛的提供商，包括 LanceDB pyproject.toml:40、Neo4j pyproject.toml:96 和 PGVector pyproject.toml:100。
结构化输出：默认使用 instructor 框架，但也支持使用 BAML 进行更复杂的提取 cognee/infrastructure/llm/config.py:42, 127-135。

来源：cognee/infrastructure/llm/config.py:15-154，cognee/api/v1/config/config.py:96-116，pyproject.toml:96-107

---

总结

Cognee 提供了一个可用于生产环境的平台，用于将非结构化数据转换为可查询的知识图谱。其架构在各层之间实现了关注点分离，同时通过以下特性保持了灵活性：

统一 API：使用如 remember() 和 recall() 等简单函数来处理复杂工作流 README.md:136-151。
可插拔后端：支持多种向量数据库（LanceDB、Chroma、PGVector、Qdrant）和图数据库（Kuzu、Neo4j、NetworkX）pyproject.toml:40,50,88,116。
智能体集成：专门支持模型上下文协议（MCP）和智能体记忆装饰器，如 @agent_memory。

下一步：

请参考快速入门指南获取动手实践示例。
请查阅系统架构总览了解详细的组件分解。
请参阅安装与设置进行环境配置。

来源：README.md:1-213，cognee/api/v1/add/add.py:115-170，pyproject.toml:1-145