Cognee 选型评测:什么时候需要图谱记忆,如何验证跨会话召回

解析 Cognee 的永久记忆、会话缓存、本地小模型与检索路径,并提供包含更新、删除和数据隔离的试点验收方案。

AgentIndex · 发布于 2026-11-04 · 更新于 2026-11-04

Cognee 适合评估的问题,是智能体每次重新开始任务时,都要重新找出文档、过去的决策和代码之间的关系。它将信息组织成可检索的图谱记忆。是否值得引入,应看这些关系是否帮助你找回正确证据,以及团队能否管理知识的更新和删除。

如果项目只需要记住几条稳定的约定,一个经过维护的项目说明文件往往更容易检查。只有当资料来源、关联关系和使用者逐渐增加,手工整理上下文开始成为负担时,才值得比较 Cognee 的收益与额外运行成本。

评测范围与版本

本文于 2026-11-04 核对项目 README、PyPI 发布信息、remember、recall、forget 文档和当前 remember 源码。PyPI 当日版本为 1.6.6,声明支持 Python 3.10 至 3.14。发布信息

本文是基于公开文档和源码的选型分析。我们没有安装模型、构建实际业务图谱或测量召回准确率,也没有运行下面的示例。文中的试点数据和验收表是建议的实验设计,不能视为已经取得的成绩。

先区分会话记忆与永久记忆

文档中,remember() 不传 session_id 时进入永久记忆流程:资料被导入、切分、提取实体关系并建立检索结构。传入 session_id 时则先写入会话缓存;默认的后续改进流程可以将内容桥接到永久图谱,也可以用配置关闭。Remember 操作说明

这个差别决定了怎样测试“记住了”。同一个会话刚存入内容就能读回,只能证明当前读取路径可用。要验证长期记忆,需要另开会话、确认桥接或永久写入完成,再检查能否找到原始资料。验收时应记录实际写入目标、任务完成状态和读取路径,而不只看一次函数调用成功。

我们建议把“自动改进”当成需要观察的处理步骤。重要的业务事实应有来源和修订依据,不能因为一次对话说过,就永久覆盖权威文档。

本地运行和生成回答是两条边界

项目 README 给出的无 LLM 密钥文本路径使用本地 GLiNER 提取器和本地嵌入模型,首次使用需要下载模型。提供本地模式,并不意味着机器不需要准备网络、存储和计算资源。项目也明确指出,生成回答以及需要视觉或转写模型的媒体处理,仍需额外配置。本地模式说明

对企业内部资料,建议分别记录提取、嵌入、检索和回答生成由谁处理。某个阶段采用本地模型,不能推导其他阶段也都在本地。先用少量非敏感文本验证每个阶段,再决定是否接入业务内容。

召回时应检查返回来源

recall() 支持会话相关的检索路径,也支持按数据集检索永久图谱;官方文档说明返回结果包含来源标记。未配置可用 LLM 时,检索流程与最终生成自然语言回答之间也有区别。Recall 操作说明

建议把问题拆成两次判断:先检查返回上下文有没有正确资料,再检查生成的回答有没有忠实使用它。若原始证据已经错了,换一个更会表达的模型只可能让错误更难察觉。若证据正确而回答错误,则应检查生成提示、引用和拒答行为,而不是直接重建整个图谱。

一个适合试点的项目变更案例

准备三份短文档:旧部署说明写“每周五发布”;新的决策记录写“11 月起改为周二”;故障复盘解释“月底冻结窗口仍需跳过”。给每份资料记录日期、来源和有效范围,再设计问题:现在何时发布、上个月何时发布、冻结窗口怎么处理、哪份资料支持当前答案。

这组任务能揭示简单关键词命中无法证明的能力:是否区分新旧事实,是否找到例外的依据,以及能否承认资料缺少结论。这里的业务事实是专为验收设计的样例,并非任何真实团队的发布规则。

检查项建议做法验收观察点
跨会话写入后关闭当前调用进程,再发起新的会话检索证据是否仍能找到,来源是什么
更新增加带日期的新决策,同时保留旧记录是否区分当前规则与历史规则
删除在测试数据集中删除指定资料,再重问相关问题原始内容及衍生检索结果是否仍出现
隔离给两个使用者准备不同的测试资料和权限是否能读到未经授权的资料
未知问题提问资料中从未出现的规则是否承认缺少依据,而非补出一个答案

forget() 文档区分删除资料、删除数据集和仅清理图谱及向量记忆。仅重置检索结构可以保留原始文件,以便重新处理,因此不能把它当作完整删除资料。Forget 操作说明

最小接入示例与观察顺序

下面从 README 的接口形式改写,用独立数据集保存合成文本。它是待在你的环境运行的起点,本文未执行,也没有预设返回格式或准确率:

python -m venv .venv
source .venv/bin/activate
python -m pip install "cognee[gliner]==1.6.6"
import asyncio
import cognee

async def main():
    await cognee.remember(
        "Example project: the November release day is Tuesday.",
        dataset_name="release_review_demo",
    )
    results = await cognee.recall(
        "Which day is the November release?",
        datasets=["release_review_demo"],
    )
    print(results)

asyncio.run(main())

先检查环境是否真正完成安装和模型准备,再确认导入流程完成,然后检查返回证据。最后才扩大到多文档、重启进程和跨会话测试。把冷启动下载、首次建图和后续查询分别计时,避免拿第一次运行的耗时评价所有查询。

与更简单方案怎样比较

需求值得先试的方案采用 Cognee 前要证明的收益
少量稳定约定项目说明文件自动检索是否减少维护负担
从文档中找相关段落一个可观察的文档检索流程图谱关系是否帮助找到额外有效证据
跨文档、代码和历史决策找关联图谱记忆试点更新、来源追溯和跨会话检索是否可靠

我们的判断是:Cognee 的选型门槛应是“关系带来可验证的帮助”。如果一个更简单的流程已经能返回正确证据,先保留简单方案。如果选择图谱记忆,就把更新、删除、权限隔离和备份恢复作为同一项工程来安排,避免只演示一次成功问答。

相关选题:Impeccable 检测器检查、Parlant 客服智能体选型;搭建文档问答也可阅读开源 RAG 选型指南。