Cognee – AI memory

Vytvořeno: 11.4.2026 | Aktualizováno: 18.08.2026 09:39

Cognee je open-source paměťová vrstva pro AI agenty a aplikace. Z dokumentů, kódu nebo aplikačních dat vytváří perzistentní paměť, kterou lze vyhledávat sémanticky i přes vztahy v knowledge graphu; nejde tedy o náhradu vektorového RAG, ale o kombinaci vektorového a grafového vyhledávání.

Jak Cognee funguje

Podle architektury Cognee jsou data uložena ve třech doplňujících se vrstvách:

Relační úložiště drží zdrojové dokumenty, chunky, metadata a původ dat.
Vektorové úložiště drží embeddingy pro hledání významově podobného obsahu.
Grafové úložiště obsahuje entity a vztahy mezi nimi. Hodí se pro otázky typu „jak spolu X a Y souvisí“ nebo pro skládání informací z více dokumentů.

Při trvalém uložení Cognee data normalizuje, rozdělí je na chunky, vytvoří embeddingy, extrahuje entity a vztahy a nad výsledkem postaví graf. To je náročnější než prosté vložení textu do vektorové databáze, ale dovoluje pracovat i se strukturou znalostí.

Základní workflow

Aktuální rozhraní verze 1.0 stojí na čtyřech operacích:

remember() uloží data. Bez session_id spustí trvalou ingestní pipeline a vytvoří grafovou paměť; se session_id zapisuje nejprve do rychlé paměti relace.
recall() vyhledá odpověď v paměti. Bez explicitního typu dotazu automaticky volí strategii vyhledávání; pro trvalou paměť používá grafové vyhledávání.
improve() obohacuje existující paměť a může přenášet obsah relace do trvalého grafu.
forget() maže data v rozsahu položky, datasetu nebo uživatele.

Při použití session_id je potřeba rozlišovat krátkodobou a dlouhodobou paměť: zápis do relace je rychlý, ale do trvalého grafu se dostane až při následném kroku improve(). Podrobný popis poskytuje dokumentace remember a recall.

Rychlý start v Pythonu

Cognee vyžaduje Python 3.10 až 3.14. Základní instalace obsahuje lokální výchozí úložiště; pro nejjednodušší konfiguraci s OpenAI stačí nastavit LLM_API_KEY. Postup a volitelné balíčky jsou v instalační dokumentaci.

uv venv
source .venv/bin/activate
uv pip install cognee

Soubor .env v kořeni projektu:

LLM_API_KEY="..."

Jednoduché uložení a dotaz:

import asyncio
import cognee
 
 
async def main():
    await cognee.remember(
        "Cognee převádí dokumenty na perzistentní paměť pro AI agenty.",
        dataset_name="poznamky",
    )
 
    results = await cognee.recall(
        "K čemu Cognee slouží?",
        datasets=["poznamky"],
    )
 
    for result in results:
        print(result.text)
 
 
asyncio.run(main())

remember() přijímá nejen text, ale také existující lokální cesty k souborům, HTTP(S) URL a objekty DataItem s metadaty. Formáty a některé zdroje vyžadují volitelné extras. Při větším importu lze pipeline spustit na pozadí, ale recall() vrátí nová data až po dokončení indexace.

Lokální a produkční úložiště

Základní instalace běží bez samostatné databázové služby: pro metadata používá SQLite, pro embeddingy LanceDB a pro graf zabudované úložiště Ladybug kompatibilní s Kuzu. Pro produkční provoz lze vrstvy nahradit například PostgreSQL/PGVector a Neo4j; konfigurace LLM, embeddingů a úložišť se nastavuje v .env podle konfigurační dokumentace.

Chce-li instalace běžet bez cloudového LLM API, je potřeba nastavit obě vrstvy — LLM i embeddingy. Pokud se nastaví jen jedna, druhá zůstane ve výchozím režimu OpenAI. Lokální postup používá Ollama pro LLM a embeddingy, případně Ollama spolu s Fastembed pro embeddingy na CPU.

# LLM
LLM_PROVIDER="ollama"
LLM_MODEL="llama3.1:8b"
LLM_ENDPOINT="http://localhost:11434/v1"
LLM_API_KEY="ollama"

# Embeddingy
EMBEDDING_PROVIDER="ollama"
EMBEDDING_MODEL="nomic-embed-text:latest"
EMBEDDING_ENDPOINT="http://localhost:11434/api/embed"
EMBEDDING_DIMENSIONS="768"

LLM_API_KEY=„ollama“ je v tomto případě pouze neprázdná zástupná hodnota vyžadovaná klientskou knihovnou; Ollama ji neověřuje.

Kde Cognee smysl dává a kde ne

Use-case	Vhodnost	Proč
Firemní znalostní báze a interní postupy	Vhodné	Větší množství dokumentů a vztahy mezi pojmy dávají grafu smysl.
Osobní zápisky a dlouhodobé know-how	Vhodné	Paměť může růst v jednom nebo více oddělených datasetech.
Architektonická rozhodnutí a dokumentace	Vhodné	Lze dohledávat souvislosti mezi rozhodnutími, komponentami a zdroji.
Aktivně vyvíjený zdrojový kód	Podmíněně	Cognee umí ingestovat kód, ale pro přesnou aktuální podobu souboru je vhodnější číst repository přímo.
Živá data, ceníky, tickety a provozní stav	Podmíněně	Ingestní pipeline musí mít spolehlivou aktualizaci a mazání zastaralých dat.
Malý počet krátkých souborů	Nevhodné	Přímé předání do kontextu bývá jednodušší, rychlejší a levnější.

Cognee není automatická záruka správné odpovědi. Výsledek závisí na kvalitě vstupů, správném členění datasetů, modelu pro extrakci a na tom, zda jsou data aktuální. Kvalitu je potřeba ověřovat na reprezentativních dotazech nad vlastními daty, ne obecnou deklarovanou přesností.

Hybridní přístup: Cognee + přímé čtení souborů

Pro vývojové použití dává smysl používat Cognee jako katalog a vrstvu pro discovery, zatímco repository nebo filesystem zůstává zdrojem pravdy:

Agent zavolá cognee.recall() a zjistí relevantní témata, dokumenty nebo souvislosti.
Agent přes filesystem nebo MCP nástroj načte aktuální plný soubor z disku.
Odpověď vznikne z aktuálního obsahu souboru s využitím kontextu dohledaného v Cognee.

Takový postup omezuje riziko, že agent bude pracovat se zastaralým indexem nebo jen s chunkem bez důležitého okolí.

Použití přes MCP

Cognee MCP zpřístupňuje paměť kompatibilním AI klientům přes Model Context Protocol. Ve standalone režimu běží včetně databází a ingestní pipeline lokálně pro danou instanci. V API režimu se více MCP klientů připojuje ke sdílenému backendu a knowledge graphu.

Pro nové integrace dokumentace doporučuje MCP nástroje remember, recall a forget. Není nutné instalovat samostatný Python balíček Cognee vedle balíčku cognee-mcp, protože MCP balíček obsahuje celou Cognee stack.

Provozní a bezpečnostní poznámky

Datasety je vhodné oddělit podle projektu, zákazníka nebo oprávnění. Při dotazu lze scope omezit parametrem datasets; bez něj se prohledávají všechny datasety, ke kterým má aktuální uživatel přístup.
Ve výchozím lokálním režimu zůstávají zdrojová data a databáze na disku. Přepnutí na vzdálený LLM, embeddingy, databázi nebo cloudové konektory znamená, že data mohou opustit daný stroj.
Soubor .env obsahuje klíče a cesty k úložištím. Nemá patřit do Git repozitáře.
Cognee má ve výchozím stavu zapnutou anonymní telemetrii. Pro její vypnutí nastav TELEMETRY_DISABLED=true.
Při změně embedding modelu, jeho dimenze nebo databázového backendu je nutné postupovat podle dokumentace a před novou ingestí vyřešit existující data; jinak hrozí nekonzistentní index.
U výchozích embedded databází nemá stejná data současně otevírat více procesů. Pro sdílený nebo víceprocesový provoz je vhodné nasadit externí backendy za jednou Cognee službou.

Obsah