Cognee Python API 实战指南：从 add、cognify 到 search 的持久化 Agent 记忆构建

2026-09-09 12:03:56作者：毕习沙Eudora

Cognee is the open-source AI memory platform for agents. Give your AI agents persistent long-term memory across sessions with a self-hosted knowledge graph engine.

项目地址：https://gitcode.com/GitHub_Trending/co/cognee

Cognee 是一个开源的 AI 记忆平台，为 Agent 提供跨会话的持久化长期记忆，核心引擎是自托管的本地知识图谱。本文以仓库内 cognee/skill.md 为骨架，系统讲解 Cognee 的 Python API 工作流：如何用 add -> cognify -> search 三步把文本、文件、URL 变成可检索的图记忆，如何用 DataPoint、NodeSet 实现结构化记忆与作用域隔离，以及如何通过 memify、反馈回路、会话机制构建可自我改进的 Agent 系统。读完本文，你将掌握这套 API 的完整调用方式、每个参数的实际作用，以及它们在源码中的底层实现位置，可直接照抄运行。

何时使用该技能：把用户意图映射到正确的 Cognee 工作流

cognee/skill.md 的核心定位是 Cognee 专属 Python API 辅助，并帮助把用户目标映射到正确的流程。当用户想要以下能力时，都适用这套技能：

摄取文本、文件、URL、代码仓库或数据集（add）；
构建或重建知识图谱（cognify）；
搜索文档、分块（chunk）、摘要、三元组或图上下文（search 与 SearchType 选择）；
用 memify 丰富已有图谱；
定义自定义图抽取模型或 DataPoint 类型；
运行自定义任务流水线（run_custom_pipeline）；
配置 LLM、图数据库、向量数据库或存储设置；
用 node_set / NodeSet 标记和限定记忆范围；
为 Agent 构建跨会话持久记忆、反馈回路、自改进工作流；
处理时间感知抽取（temporal）、本体（ontology）、Cypher 或自然语言图查询；
管理数据集、会话、反馈、剪枝（pruning）、更新与可视化。

核心判断准则：只要用户意图是"把信息存进记忆、之后再查出来"，就优先走 Cognee 的 add -> cognify -> search 主干流程。这三个 API 全部从 cognee/init.py 导出，是整个库的公共入口。

核心工作流：add -> cognify -> search

skill.md 给出的最小可用示例：

import cognee
from cognee import SearchType

await cognee.add(
    "Your text, file path, URL, or list of inputs",
    dataset_name="main",
    node_set=["default_memory"],
)
await cognee.cognify(datasets="main")
results = await cognee.search(
    "What are the key insights?",
    query_type=SearchType.GRAPH_COMPLETION,
    datasets="main",
)

默认使用准则

从最简单的可用路径开始，除非用户明确要求高级配置；
默认工作流就是 add(...) 摄取 → cognify(...) 建图 → search(...) 查询；
所有 Cognee API 都是 async（异步）的；
多数据源时用 dataset_name / datasets 组织数据；
需要轻量标签、项目隔离、按用户划分记忆桶或子图过滤时使用 node_set；
只有任务匹配时才推荐高级特性：memify 丰富已有图谱、temporal_cognify=True 时间感知抽取、自定义图模型/DataPoint 领域化抽取、自定义流水线、反馈回路、可视化工具。

第一步：add —— 摄取任意形态的数据

cognee.add(...) 是工作流的第一步，负责把原始数据摄取进指定数据集。其完整签名定义在 cognee/api/v1/add/add.py。

支持的输入类型

文本字符串：任何不以 / 或 file:// 开头的字符串都视为直接文本内容；
本地文件路径：绝对路径 /path/to/document.pdf、文件 URL file:///abs/path.pdf 或 file://relative/path.txt、S3 路径 s3://bucket-name/path/file.pdf；
二进制文件对象：open("file.txt", "rb") 之类的 BinaryIO 流；
URL：https:// / http:// 网页链接；
列表：以上任意类型的混合列表，一次调用同时摄入。

支持的文件格式（来自 add 的 docstring）

文本文件（.txt、.md、.csv）、PDF、图片（.png/.jpg/.jpeg，走 OCR/视觉模型）、音频（.mp3/.wav，转写为文本）、代码文件（.py/.js/.ts 等，解析结构与内容）、Office 文档（.docx/.pptx）。

常用调用示例

await cognee.add("notes.md", dataset_name="research")
await cognee.add("https://example.com", dataset_name="research")
await cognee.add(["paper.pdf", "summary.txt"], dataset_name="research")

URL 摄取还支持 extraction_rules（BeautifulSoup 的 CSS 选择器/XPath）、tavily_config（需设 TAVILY_API_KEY）等高级参数，详见 add 源码。

关键参数速查

参数	默认值	说明
`data`	必填	文本、文件路径、URL、二进制流或混合列表
`dataset_name`	`main_dataset`	数据集名称，用于组织不同知识域
`node_set`	`None`	图节点标签列表，用于图组织与访问控制
`dataset_id`	`None`	用 UUID 替代 `dataset_name` 定位数据集
`incremental_loading`	`True`	增量加载，跳过内容哈希相同的数据
`importance_weight`	`0.5`	数据重要度权重
`run_in_background`	`False`	后台异步摄取，大文件建议开启
`preferred_loaders`	`None`	指定使用的 loader
`data_per_batch`	`20`	每批并行处理的数据项数

源码视角：add 内部发生了什么

从 add.py 的实现看，add 内部是一个 ingestion pipeline：

await setup() 初始化基础设施，运行数据库迁移（run_migrations_and_block）；
resolve_authorized_user_dataset 解析（必要时创建）数据集并校验写权限，用户为 None 时自动使用默认用户 default_user@example.com；
组装任务列表：resolve_data_directories（解析目录、校验可访问性）+ ingest_data（提取文本、存入数据集、记录元数据、分配权限）；
resolve_dlt_sources 展开 DLT 资源与自动检测的 CSV/连接字符串；
通过 run_pipeline 以 add_pipeline 名义执行，支持 run_in_background=True 时先物化流式输入再异步执行。

第二步：cognify —— 把数据变成知识图谱

cognee.cognify(...) 是核心处理步骤，把 add 摄取的内容转化为结构化知识图谱：分析内容、抽取实体与关系、建立语义连接。签名定义在 cognee/api/v1/cognify/cognify.py。

await cognee.cognify(datasets="research")

常用选项

await cognee.cognify(
    datasets="research",
    temporal_cognify=True,
    chunk_size=1024,
    custom_prompt="Extract companies, products, and partnerships.",
)

参数说明

datasets：数据集名称或 UUID；传 None 处理用户全部数据；
graph_model：定义图结构的 Pydantic 模型，默认 KnowledgeGraph（定义于 cognee/shared/data_models.py）；
chunker：分块策略，TextChunker（按段落，默认，最稳定）或 LangchainChunker（递归字符切分带重叠）；
chunk_size：每块最大 token 数，None 时按公式 min(embedding_max_completion_tokens, llm_max_completion_tokens // 2) 自动计算，大致落在 512–8192 token 区间；块越小知识越细碎；
custom_prompt：自定义实体/关系抽取提示词，替代默认抽取提示；
temporal_cognify：布尔值，开启时间感知抽取（事件+时间戳）；
functional_relationships：单值关系名集合（如 {"ceo_of"}），冲突断言按时间就近原则标记 superseded，默认关闭；
dry_run：只估算 LLM token 用量与成本，不发起 LLM 调用、不写图；
run_in_background：大语料（>100MB）建议开启，用返回的 pipeline_run_id 跟踪进度。

源码视角：默认流水线的六个阶段

get_default_tasks（cognify.py）揭示了 cognify 的真实任务链：

classify_documents：把原始 Data 项分类为类型化 Document 对象；
extract_chunks_from_documents：按 chunk_size 切成语义分块；
extract_graph_and_summarize：LLM 抽取实体与关系成图，并为每块生成摘要；
add_data_points：把节点、边、嵌入持久化到图库/向量库；
可选 record_provenance：为每条文档/分块/实体/关系追加审计级来源记录（默认关闭）；
可选 detect_contradictions：标记本次摄入与图内已有事实的矛盾（默认关闭）。

如果开启 temporal_cognify=True，则切换到 get_temporal_tasks（同文件 L479-L520）的时序流水线：分类 → 分块 → extract_events_and_timestamps 抽取事件与时间戳 → extract_knowledge_graph_from_events 从事件构建图 → 落库。代码文件/仓库数据则自动路由到 get_code_file_tasks / get_code_repo_tasks（按数据项路由，见 cognify.py）。

第三步：search —— 按场景选择 SearchType 查询图记忆

cognee.search(...) 是工作流终点，从已处理的知识图谱检索信息，支持从简单事实检索到复杂推理、代码分析的多种模式。签名见 cognee/api/v1/search/search.py。

results = await cognee.search(
    "What changed in Q1 2024?",
    query_type=SearchType.TEMPORAL,
    datasets="research",
    top_k=10,
)

SearchType 完整对照表

SearchType 枚举定义在 cognee/modules/search/types/SearchType.py：

SearchType	用途与建议
`GRAPH_COMPLETION`	图感知 Q&A 的最佳默认，基于全图上下文 + LLM 推理
`RAG_COMPLETION`	传统 RAG，基于文档分块（不走图结构）
`CHUNKS`	快速语义检索，无完成生成，返回相关文本块
`CHUNKS_LEXICAL`	BM25 风格的关键词精确/词法匹配
`SUMMARIES`	文档摘要总览
`TRIPLET_COMPLETION`	主-谓-宾语三元组风格图问答
`GRAPH_SUMMARY_COMPLETION`	图 + 摘要联合作答
`GRAPH_COMPLETION_COT`	基于图上下文的更深推理（思维链）
`GRAPH_COMPLETION_CONTEXT_EXTENSION`	更宽范围的图上下文检索
`CYPHER`	原始 Cypher 查询（需在配置中启用）
`NATURAL_LANGUAGE`	自然语言转图查询
`TEMPORAL`	时间感知图搜索
`CODING_RULES`	代码规则与模式
`CODE`	确定性代码事实查询、图遍历、路径与影响分析（无 LLM）
`FEELING_LUCKY`	让 Cognee 自动选择最合适的检索类型
`FEEDBACK`	应用反馈以改进后续检索行为

注意：源码中的枚举还包含 HYBRID_COMPLETION（search 的默认 query_type）、AGENTIC_COMPLETION（配合 skills/tools 的 Agent 检索）与 GRAPH_REPORT，比 skill.md 列出的更全。

关键参数

query_text：自然语言问题；
datasets / dataset_ids：限定搜索范围；
top_k：返回结果数，默认 15，综合全面分析可调大（上限 100）；
node_name + node_type：按节点名/类型过滤（node_name_filter_operator 支持 AND/OR，默认 OR）；
session_id：会话连续性标识，默认 default_session；
only_context / verbose：分别返回纯检索上下文或含图表示的详细信息；
include_references：返回引用信息；
skills / tools / max_iter：Agent 检索器参数（需 AGENTIC_COMPLETION 类型，且要求恰好一个数据集）。

DataPoint：Cognee 中知识的原子单元

DataPoint 是 Cognee 内部表示结构化数据的最小知识单元（Pydantic 模型），定义于 cognee/infrastructure/engine/models/DataPoint.py。当用户已有结构化对象、不想只依赖文本抽取时，用它直接插入图对象。

核心要点

DataPoint 是一个 Pydantic 模型，表示一个有意义的单位信息；
同时携带内容与上下文（索引提示、关系字段）；
直接插入时可以成为图节点和边，同时贡献可搜索的向量字段；
metadata = {"index_fields": [...]} 控制哪些字段被嵌入用于语义检索；
关系字段可以指向其他 DataPoint，从而用代码程序化定义图结构；
适合已有结构化对象、不想依赖纯文本抽取的场景。

自定义 DataPoint 示例（来自 skill.md）

from typing import Any
from pydantic import SkipValidation
from cognee.infrastructure.engine import DataPoint
from cognee.tasks.storage import add_data_points

class ScientificPaper(DataPoint):
    title: str
    authors: list[str]
    methodology: str
    findings: list[str]
    cites: SkipValidation[Any] = None
    metadata: dict = {"index_fields": ["title", "findings"]}

paper = ScientificPaper(
    title="Graph Memory for Agents",
    authors=["A. Researcher"],
    methodology="Knowledge graph + vector retrieval",
    findings=["Improved cross-session recall", "Better multi-hop retrieval"],
)

await add_data_points([paper])

源码视角：DataPoint 的内置字段

从 DataPoint.py 可以看到每个节点自动携带的内置字段：

id：默认随机 UUID4；若在 metadata 中声明 identity_fields（或在字段上用 Dedup() 注解），则改为从身份字段确定性派生（uuid5(NAMESPACE_OID, f"{类名}:{值}")），保证跨运行可合并/幂等（id_for 是唯一来源，见 L162-L179）；
created_at / updated_at：毫秒级时间戳；
version：版本号，update_version() 递增并刷新时间戳；
valid_to：双时态有效性——事实被取代的时间（None 表示仍然有效）；
ontology_valid / ontology_uri：本体校验状态与稳定的本体 IRI，支持图谱导出为 RDF 与外部域链接（开放世界）；
topological_rank：拓扑排序位次；
feedback_weight / importance_weight：反馈权重与重要度权重（默认 0.5）；
source_pipeline / source_task / source_node_set / source_user / source_content_hash：来源溯源字段；
belongs_to_set：归属的 NodeSet；
序列化辅助：to_json / from_json / to_dict / from_dict。

另一个可选语法：Annotated 标记自动派生 metadata

DataPoint.__pydantic_init_subclass__（L181-L210）支持用 Annotated[str, Embeddable()] 或 Annotated[str, Dedup()] 字段注解，自动填充 metadata 的 index_fields 与 identity_fields，无需手写 metadata。相关标记类 Embeddable、Dedup、LLMContext 从 cognee/infrastructure/engine/init.py 导出。

选型建议：非结构化文档走 add(...) -> cognify(...)；已有结构化 Python 对象且要直接插入图时，用 DataPoint 模型 + add_data_points(...)。注意 cognee.low_level 中 DataPoint 实际指向 ExtendableDataPoint（见 cognee/low_level.py 与 ExtendableDataPoint.py）。

NodeSet：轻量标签、分组与记忆作用域

NodeSet 用于打标签、分组、限定记忆范围。node_set=[...] 在 add(...) 时传入，cognify() 之后这些标签会升级为一等图节点，帮助组织检索。NodeSet 模型本身就是一个 DataPoint 子类，仅多一个 name 字段，见 cognee/modules/engine/models/node_set.py。

为什么 NodeSet 重要

按项目、团队、客户、工作流、主题或环境组织记忆；
只搜索相关子图而非整个数据集；
对"一个记忆库承载多用户/多任务"的 Agent 系统尤其有用。

用 NodeSet 限定搜索

results = await cognee.search(
    query_text="What are this customer's reporting preferences?",
    query_type=SearchType.GRAPH_COMPLETION,
    datasets="customer_success",
    node_name=["preferences", "customer_123"],
)

完整示例：构建按用户/工作流隔离的 Agent 记忆

await cognee.add(
    [
        "Alice prefers terse answers and email follow-ups.",
        "Alice escalates billing issues to finance first.",
        "Bob prefers detailed technical explanations."
    ],
    dataset_name="agent_memory",
    node_set=["crm", "user_profiles"],
)

await cognee.cognify(datasets="agent_memory")

results = await cognee.search(
    query_text="How should I respond to Alice?",
    datasets="agent_memory",
    node_name=["crm", "user_profiles"],
)

默认触发词：当用户说"按客户隔离记忆""不建独立数据库就分开项目""让 Agent 只搜自己的记忆""按工作流或团队分组事实"时，默认使用 NodeSet。

memify：在不重启流程的前提下丰富已有图谱

memify(...) 用于改进或扩展已构建的图谱，无需重跑完整流程。定义在 cognee/modules/memify/memify.py。

await cognee.memify(dataset="research")

源码视角：memify 的工作方式

不传 data 时，把已有知识图谱（或按 node_type / node_name 过滤的子图，通过 get_memory_fragment 读取）作为输入；
可传自定义 data 与自定义 extraction_tasks / enrichment_tasks，条目可以是 Task 实例或内置 memify 任务名（注册表见 cognee/memify_pipelines/memify_task_registry.py）；
未指定任务时使用默认抽取/丰富任务（见 cognee/memify_pipelines/memify_default_tasks.py）；
支持 run_in_background=True 后台执行。

仓库内的 memify 流水线脚本（如 cognee/memify_pipelines/consolidate_entities.py、cross_connect_entities.py、create_triplet_embeddings.py）展示了"实体合并、跨连接、三元组嵌入、全局上下文索引"等典型丰富手段。

自定义流水线：run_custom_pipeline 显式串行控制

当需要显式的顺序任务控制时，使用 run_custom_pipeline(...)，实现见 cognee/modules/run_custom_pipeline/run_custom_pipeline.py。

from cognee.modules.pipelines.tasks.task import Task

async def my_task(data):
    return data

await cognee.run_custom_pipeline(
    tasks=[Task(my_task)],
    data="input",
    dataset="research",
)

Task 定义在 cognee/modules/pipelines/tasks/task.py。流水线支持 use_pipeline_cache（相同 pipeline ID 不重复处理）、incremental_loading / data_cache（基于内容哈希跳过重复数据）、data_per_batch 并行度、run_in_background、pipeline_name 自定义等参数。更多可运行的参考见 examples/guides/custom_tasks_and_pipelines.py 与 examples/demos/custom_pipelines。

配置：LLM 提供商与后端设置

使用 Cognee 配置助手设置提供商与后端：

cognee.config.set_llm_provider("openai")
cognee.config.set_llm_model("gpt-4o-mini")
cognee.config.set_llm_api_key("sk-...")

这些 setter 定义在 cognee/api/v1/config/config.py，分别写入 LLMConfig 的 llm_provider、llm_model、llm_api_key 字段。同文件还提供 set_llm_endpoint（自定义 API 端点 URL）、set_llm_config（批量字典配置）等。

常见配置领域（用户可能问及）：

LLM 提供商与模型（LLM_PROVIDER、LLM_MODEL、LLM_API_KEY 环境变量）；
图数据库提供商（GRAPH_DATABASE_PROVIDER，默认 ladybug，可选 neo4j 等）；
向量数据库提供商（VECTOR_DB_PROVIDER，默认 lancedb，可选 pgvector 等）；
关系数据库设置；
分块大小 / 重叠（chunk_size 等）；
存储目录；
翻译设置；
环境变量（LOG_LEVEL、TAVILY_API_KEY、KEENABLE_API_KEY、DEFAULT_USER_EMAIL 等）。

注意：add 与 cognify 的 docstring 都要求设置 LLM_API_KEY；向量库与图库必须与 cognify 阶段保持一致才能正常 search。更多后端示例见 examples/guides/neo4j_example.py、examples/guides/pgvector_example.py、examples/guides/local_ollama_example.py。

数据集与生命周期操作

需要查看、清空、替换或删除数据时使用：

datasets = await cognee.datasets.list_datasets()
await cognee.datasets.empty_dataset(dataset_id)
await cognee.datasets.delete_all()
await cognee.update(data_id="...", data="Updated content", dataset_id="...")

这些方法实现于 cognee/api/v1/datasets/datasets.py（list_datasets、empty_dataset、delete_all 分别在 L82、L137、L258）。update 用于按 data_id 更新已有数据内容。

会话与反馈：短时记忆与长期改进

用 session_id 保持会话连续

results = await cognee.search(
    query_text="Continue the earlier analysis",
    datasets="agent_memory",
    session_id="analysis-session-1",
)

session_id 在 search.py 中作为可选参数传入，同一会话内的搜索共享上下文。底层会话管理器位于 cognee/infrastructure/session/session_manager.py，会话上下文构建见 session_context_builder.py。

反馈回路：强化有用的检索行为

from cognee import SearchType

results = await cognee.search(
    query_text="What are the main themes in my data?",
    query_type=SearchType.GRAPH_COMPLETION,
    save_interaction=True,
)

await cognee.search(
    query_text="Helpful answer. It captured the key technical themes.",
    query_type=SearchType.FEEDBACK,
    last_k=1,
)

FEEDBACK 搜索类型让 Cognee 记录"哪些交互有用"，随 feedback_influence 参数（默认取 default_feedback_influence 配置）影响后续检索排序。

可视化：渲染图谱到交互式 HTML

需要检查或展示图谱时使用 visualize_graph。重要行为：它默认渲染有界子图（种子节点 + k 跳邻域，上限 max_nodes），而不是整图。实现见 cognee/api/v1/visualize/visualize.py。

# 默认：有界子图。可用查询、显式 id 或 recall 结果做种子；
# 都没有时，用度最高的节点做种子生成代表性视图。
await cognee.visualize_graph("/path/to/output.html")
await cognee.visualize_graph("/path/to/output.html", query="What relates to Python?")
await cognee.visualize_graph("/path/to/output.html", seed_node_ids=["node-id-1"])
await cognee.visualize_graph("/path/to/output.html", recall_result=recall_output)

# 旧版整图渲染
await cognee.visualize_graph("/path/to/output.html", full=True)

await cognee.start_visualization_server(port=8080)
await cognee.start_ui()

上限参数：neighborhood_depth=2、neighborhood_seed_top_k=10、max_nodes=500。种子优先级：seed_node_ids > recall_result 的来源 > query 的向量命中 > 最高度节点。完整可运行示例见 examples/guides/graph_visualization.py（演示默认/查询种子/整图三种渲染，并注释了 seed_node_ids 与 recall_result 两种种子方式）。

剪枝与重置操作

需要重置用户数据或后端存储时：

await cognee.prune.prune_data()
await cognee.prune.prune_system(graph=True, vector=True, metadata=False, cache=True)

实现位于 cognee/api/v1/prune/prune.py，底层逻辑在 cognee/modules/data/deletion/prune_data.py 与 prune_system.py。prune_system 可按需开关图库、向量库、元数据与缓存四个维度。

反馈驱动改进：把 Cognee 作为 Agent 的记忆层

skill.md 反复强调一个核心思想：把 Cognee 用作需要随时间改进的 Agent 系统的记忆层，改进来自"更好的回忆 + 更好地复用成功经验"，而不是换模型或重训练。

关键设计

保持 Agent 工作流本身不变；
保持 提示词与工具不变；
只改变 Agent 能记住和检索到的内容。

这被称为 反馈驱动的记忆复用（feedback-driven memory reuse），而非微调。

双层记忆模式

短时反馈：用会话化搜索与缓存交互维持活动工作期间的上下文——当前工作流已发现的内容、多 Agent 流水线早前步骤的发现、最近分析师/管理者的推理、同一任务流中上次成功的回答模式。

长期反馈：定期把有价值的会话、交互或衍生经验持久化回知识图谱——相似的历史事件、反复出现的根因、偏好的回应风格、已知修复与升级路径、反复执行学到的策略。

支持该模式的构建块

add(...)：存储新观察、日志、结果、事实；
cognify(...)：转为可搜索的图记忆；
search(...)：行动前检索相关先验知识；
session_id：保持相关搜索间的连续性；
反馈感知工作流：捕获哪些交互有用；
memify(...)：丰富或整合已有记忆为更高价值的图知识；
dataset_name 与 node_set：把记忆隔离到正确的租户、项目、工作流或用户。

通用 Agent 循环

Observe 观察：捕获新输入、事件、用户偏好、结果、错误与决策；
Store 存储：作为原始文本、文档、结构化对象或 DataPoint 加入 Cognee；
Organize 组织：用数据集与 NodeSet 按客户、工作流、团队、Agent 或主题分隔记忆；
Build memory 构建记忆：运行 cognify(...) 使信息图感知化、可检索；
Recall before acting 行动前回忆：在规划、工具调用、综合或生成回应前先搜索 Cognee；
Capture feedback 捕获反馈：记录什么有效、什么失败、什么有用、什么该复用；
Consolidate 整合：定期把会话历史或衍生经验持久化到长期图记忆；
Reuse 复用：未来运行受益于更丰富的上下文与更明智的检索。

最小示例模式（来自 skill.md，可直接运行）

import cognee
from cognee import SearchType

# 1) 存储一条新观察
await cognee.add(
    "Customer 123 prefers concise status updates and Slack notifications.",
    dataset_name="agent_memory",
    node_set=["customer_123", "preferences", "support_agent"],
)

# 2) 构建记忆
await cognee.cognify(datasets="agent_memory")

# 3) 行动前回忆
context = await cognee.search(
    query_text="What should I know before replying to customer 123?",
    query_type=SearchType.GRAPH_COMPLETION,
    datasets="agent_memory",
    session_id="support-session-123",
)

# 4) 同一会话内继续工作
answer = await cognee.search(
    query_text="Draft the best reply for customer 123.",
    query_type=SearchType.GRAPH_COMPLETION,
    datasets="agent_memory",
    session_id="support-session-123",
)

# 5) 稍后整合或丰富记忆
await cognee.memify(dataset="agent_memory")

最佳默认解释

Cognee 让 Agent 通过记住更多有用的东西、把它们组织成可搜索的图记忆、并在未来运行中复用成功的过往工作来改进。

推荐在以下场景向用户建议 Cognee：跨会话记住用户偏好、复用既往事件调查、随时间积累支持知识、通过过往结果改进工作流执行、回应前检索相似过往案例、维护租户/客户隔离的记忆、结合短时工作记忆与长期图记忆、把重复会话沉淀为可复用的组织知识。相关示例见 examples/advanced_guides/remember_recall_improve_example.py 与 examples/guides/improve_quickstart.py。