Cognee: открытая память для AI-агентов на основе графа знаний

Как устроена память Cognee

Согласно README, при обработке текста Cognee выделяет сущности и связи между ними, а также создаёт фрагменты для поиска. Код может представляться графом символов и зависимостей. Когда приложению нужен контекст, оно обращается к памяти; механизм извлечения использует граф, векторный поиск или контекст кода в зависимости от выбранного режима.

Такой подход может пригодиться, например, агенту разработки: в память можно добавить документацию и сведения о предыдущих решениях, а при новой задаче искать связанные материалы. Извлечение контекста само по себе не гарантирует, что найденные сведения актуальны или что агент верно их применит. Для своего сценария качество поиска и ответов придётся проверять отдельно.

В интерфейсе Python основные операции называются `remember`, `recall`, `improve` и `forget`: они отвечают за сохранение, поиск, обогащение и удаление памяти. Cognee также описывает работу с отдельными сессиями и перенос полезных сведений из них в долговременное хранилище.

Как запустить локально

В инструкции проекта указан Python 3.10–3.14. Для локального сценария без ключа LLM авторы предлагают установить пакет с дополнением `gliner` командой `uv pip install "cognee[gliner]"`. Затем в Python-приложении текст передаётся в `cognee.remember`, а запрос — в `cognee.recall`.

При первом использовании локальные модели для извлечения данных и создания эмбеддингов скачиваются на компьютер. В этом режиме поиск возвращает подходящие исходные фрагменты: отдельный ответ языковой модели не генерируется. Некоторые этапы улучшения памяти, которым нужна LLM, пропускаются.

Для генерации ответов или обработки медиа, требующей модели зрения либо транскрибации, понадобится дополнительная настройка. README описывает подключение внешних провайдеров и локальных моделей через Ollama. При использовании внешнего API следует учитывать, какие данные приложение отправляет провайдеру, и возможную стоимость запросов.

Интеграции и ограничения

Проект можно встроить в Python-приложение; документация также перечисляет TypeScript SDK и REST API. Для существующих агентов предусмотрены плагины, в том числе для Claude Code и Codex, а для Cursor, Cline и других клиентов — подключение через MCP. Конкретный способ настройки и то, какие сведения будут сохраняться, зависят от интеграции; инструкции собраны в репозитории проекта.

У локального варианта есть существенная оговорка: разработчики называют входящий в комплект извлекатель GLiNER демонстрацией и предлагают отдельную версию для промышленного применения. Кроме того, в README использование Postgres как графового хранилища обозначено как демонстрационная функция; готовая для production версия доступна по лицензии. Эти условия стоит учитывать при выборе архитектуры, даже если основной репозиторий открыт под Apache 2.0.

Перед подключением к рабочим данным стоит разобраться, где хранятся память и резервные копии, кто имеет к ним доступ и какие данные попадают во внешние модели. Для первого знакомства подойдут синтетические документы и тестовая среда. Редакция не запускала Cognee и не проводила собственное сравнение с другими системами памяти.

Состояние проекта

На странице репозитория доступны исходный код, примеры, документация, история изменений и правила участия. Проект продолжает развиваться: релиз v1.6.6 вышел 29 октября 2026 года и, согласно описанию, посвящён в том числе разрешению конфликтов в памяти и стабильности. Перед внедрением следует проверить актуальную версию, совместимость интеграций и условия отдельных компонентов. Сведения в этом обзоре сверены 1 ноября 2026 года.

---