topoteretes/cognee

Cognee는 AI 에이전트를 위한 오픈소스 AI 메모리 플랫폼입니다. 모든 형식의 데이터를 수집하여 자체 호스팅 지식 그래프를 구축하고, 에이전트가 세션 간에 지속적인 장기 메모리를 유지할 수 있도록 합니다. 벡터 임베딩, 그래프 추론, 인지 과학 기반 온톨로지 생성을 결합하여 문서를 의미로 검색 가능하게 하고 지식이 발전함에 따라 관계가 연결되도록 합니다.

주요 기능

• 회사 두뇌 구축: 다양한 소스의 데이터를 통합하고 에이전트에 도메인 지식을 제공합니다.
• 지식 인프라: 통합 수집, 그래프/벡터 검색, 로컬 실행, 온톨로지 기반, 멀티모달 지원.
• 지속적이고 학습하는 에이전트: 피드백 학습, 컨텍스트 관리, 에이전트 간 지식 공유.
• 신뢰할 수 있는 에이전트: 사용자/테넌트 격리, 추적 가능성, OTEL 수집기, 감사 특성.

빠른 시작

사전 요구사항

• Python 3.10 ~ 3.14

1단계: Cognee 설치

uv pip install cognee

2단계: LLM 구성

import os
os.environ["LLM_API_KEY"] = "YOUR OPENAI_API_KEY"

또는 .env 파일을 생성합니다.

3단계: 파이프라인 실행

Cognee API는 remember, recall, forget, improve 네 가지 연산을 제공합니다.

import cognee
import asyncio

async def main():
    # 지식 그래프에 영구 저장
    await cognee.remember("Cognee turns documents into AI memory.")

    # 세션 메모리에 저장 (빠른 캐시, 백그라운드에서 그래프와 동기화)
    await cognee.remember("User prefers detailed explanations.", session_id="chat_1")

    # 자동 라우팅으로 쿼리
    results = await cognee.recall("What does Cognee do?")
    for result in results:
        print(result)

    # 세션 메모리 우선 쿼리, 필요시 그래프로 폴스루
    results = await cognee.recall("What does the user prefer?", session_id="chat_1")
    for result in results:
        print(result)

    # 삭제
    await cognee.forget(dataset="main_dataset")

if __name__ == '__main__':
    asyncio.run(main())

CLI 사용

cognee-cli remember "Cognee turns documents into AI memory."
cognee-cli recall "What does Cognee do?"
cognee-cli forget --all

로컬 UI를 열려면:

cognee-cli -ui

참고: MCP 서버는 Docker 컨테이너 내에서 실행됩니다. Docker Desktop, Colima 또는 OCI 호환 런타임이 필요합니다.

Docker로 실행

옵션 A — Docker Compose (소스에서 빌드)

cp.env.template.env   #.env 편집 후 LLM_API_KEY 설정

# API 서버 시작 (http://localhost:8000)
docker compose up

# 선택적 프로필:
docker compose --profile ui up        # + 프론트엔드 http://localhost:3000
docker compose --profile mcp up       # + MCP 서버 http://localhost:8001
docker compose --profile postgres up  # + Postgres/PGVector
docker compose --profile neo4j up     # + Neo4j

옵션 B — 사전 빌드된 이미지 사용 (클론 불필요)

echo 'LLM_API_KEY="YOUR_OPENAI_API_KEY"' >.env

# API 서버
docker run --env-file./.env -p 8000:8000 --rm -it cognee/cognee:main

# MCP 서버 (HTTP 전송)
docker pull cognee/cognee-mcp:main
docker run -e TRANSPORT_MODE=http --env-file./.env -p 8000:8000 --rm -it cognee/cognee-mcp:main

AI 에이전트와 함께 사용

Claude Code

Cognee 메모리 플러그인을 설치하여 Claude Code에 지속적인 메모리를 제공합니다.

설치:

claude plugin marketplace add topoteretes/cognee-integrations
claude plugin install cognee-memory@cognee

# 로컬 모드
export LLM_API_KEY="sk-..."
claude

Cognee Cloud 또는 원격 서버:

export COGNEE_BASE_URL="https://your-instance.cognee.ai"
export COGNEE_API_KEY="ck_..."

Cognee Cloud 연결

import cognee

await cognee.serve(url="https://your-instance.cognee.ai", api_key="ck_...")
await cognee.remember("important context")
results = await cognee.recall("what happened?")
await cognee.disconnect()

예제

examples/ 폴더에서 더 많은 예제를 확인하세요.

• 목표: 재무, 지원, 제품 이력 데이터를 사용하여 고객 문제 해결.
• Cognee가 추적: 과거 상호작용, 실패한 작업, 해결된 사례, 제품 이력.

사용 사례 1 — 고객 지원 에이전트

• 목표: 주니어 분석가가 전문가 수준의 쿼리와 패턴을 재사용하여 작업을 해결하도록 지원.

사용 사례 2 — 전문가 지식 증류 (SQL Copilot)

연구 논문

Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning — Markovic et al., 2025