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。