topoteretes/cognee

## 关于 Cognee Cognee 是一个开源知识引擎，允许你以任何格式或结构摄取数据，并通过持续学习为 AI agents 提供正确的上下文。它结合了向量搜索、图数据库和认知科学方法，使你的文档随着变化和演进，既可以通过含义进行搜索，又可以通过关系进行连接。 ### 为什么使用 Cognee： - 知识基础设施 —— 统一摄取、图/向量搜索、本地运行、本体论基础、多模态 - 持久化和学习型 Agents —— 从反馈中学习、上下文管理、跨 Agent 知识共享 - 可靠且值得信赖的 Agents —— Agent 级别的用户/租户隔离、可追溯性、OTEL 收集器、审计特征 ## 基本用法与功能指南 欲了解更多，请查看这篇关于 Cognee 核心功能的[简短的端到端 Colab 演示](https://colab.research.google.com/drive/12Vi9zID-M3fpKpKiaqDBvkk98ElkRPWy?usp=sharing)。 [](https://colab.research.google.com/drive/12Vi9zID-M3fpKpKiaqDBvkk98ElkRPWy?usp=sharing) ## 快速开始 让我们用几行代码试用 Cognee。有关详细的设置和配置，请参阅 [Cognee 文档](https://docs.cognee.ai/getting-started/installation#environment-configuration)。 ### 前置条件 - Python 3.10 到 3.13 ### 第 1 步：安装 Cognee 你可以使用 **pip**、**poetry**、**uv** 或你喜欢的 Python 包管理器安装 Cognee。 ``` uv pip install cognee ``` ### 第 2 步：配置 LLM ``` import os os.environ["LLM_API_KEY"] = "YOUR OPENAI_API_KEY" ``` 或者，使用我们的[模板](https://github.com/topoteretes/cognee/blob/main/.env.template)创建一个 `.env` 文件。 要集成其他 LLM 提供商，请参阅我们的 [LLM 提供商文档](https://docs.cognee.ai/setup-configuration/llm-providers)。 ### 第 3 步：运行 Pipeline Cognee 将获取你的文档，将其加载到知识引擎中，并搜索组合的向量/图关系。 现在，运行一个最小的 pipeline： ``` import cognee import asyncio from pprint import pprint async def main(): # Add text to cognee await cognee.add("Cognee turns documents into AI memory.") # Add to knowledge engine await cognee.cognify() # Query the knowledge graph results = await cognee.search("What does Cognee do?") # Display the results for result in results: pprint(result) if __name__ == '__main__': asyncio.run(main()) ``` 如你所见，输出是从我们之前存储在 Cognee 中的文档生成的： ``` Cognee turns documents into AI memory. ``` ### 使用 Cognee CLI 或者，你可以使用以下基本命令开始： ``` cognee-cli add "Cognee turns documents into AI memory." cognee-cli cognify cognee-cli search "What does Cognee do?" cognee-cli delete --all ``` 要打开本地 UI，请运行： ``` cognee-cli -ui ``` ## 演示与示例 查看 Cognee 的实际运行： ### 持久化 Agent 记忆 [](https://www.youtube.com/watch?v=8hmqS2Y5RVQ&t=13s) ### 行为准则 我们致力于营造一个包容和尊重的社区。请阅读我们的[行为准则](https://github.com/topoteretes/cognee/blob/main/CODE_OF_CONDUCT.md)以了解指导方针。 ## 研究与引用 我们最近发表了一篇关于优化 LLM 推理的知识图谱的研究论文： ``` @misc{markovic2025optimizinginterfaceknowledgegraphs, title={Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning}, author={Vasilije Markovic and Lazar Obradovic and Laszlo Hajdu and Jovan Pavlovic}, year={2025}, eprint={2505.24478}, archivePrefix={arXiv}, primaryClass={cs.AI}, url={https://arxiv.org/abs/2505.24478}, } ```

标签：Apex, C2, DLL 劫持, DNS解析, LLM, NLP, Python, RAG, Unmanaged PE, 人工智能, 向量数据库, 大语言模型, 威胁情报, 开发者工具, 开源项目, 数据管道, 文档结构分析, 无后门, 机器学习, 检索增强生成, 用户模式Hook绕过, 知识引擎, 认知架构, 记忆系统, 语义搜索, 软件工程, 逆向工具