同一个客服 Agent，上午刚记下客户不接受电话回访，下午换了会话又重新询问一次。问题不在模型“笨”，而在每次调用默认都是无状态的：上下文一断，之前的判断就不再可见。Cognee 补的是这层记忆基础设施，让数据在会话结束后仍能被整理、检索并交给下一次任务。

Cognee 不是一份不断变长的聊天记录

Cognee 是开源的 AI Agent 记忆平台。它接收文本、文件或网址，把内容切分、提取实体与关系，再组织成可查询的知识图谱。需要回答问题时，系统不必把全部历史重新塞进提示词，而是按问题召回相关上下文。

它能保存跨会话的业务事实、人物关系和项目约束；但它不会自动判断所有信息都值得永久保留。错误资料如果未经清理进入记忆，后续召回仍可能把错误放大。

三种存储分别解决三类问题

存储层	主要保存	适合回答
关系存储	文档、分块及数据出处	某条信息从哪里进入系统
向量存储	文本的语义表示	哪些内容在意思上相近
图存储	实体、节点与关系	人物、事件和概念如何连接

这套组合的价值在于“相似”与“关联”可以同时使用。只靠向量检索，Agent 也许能找到谈过退款的段落，却未必能追到该退款对应哪个订单、哪次投诉和哪项补偿。图关系补上结构，关系存储则保留可追溯路径。

四个动作构成完整记忆周期

remember

写入永久图记忆，或按会话写入快速缓存。

recall

用自然语言提问，由系统选择召回策略。

improve

丰富已有图谱，也可把会话内容桥接到长期记忆。

forget

删除单条数据、数据集或当前用户拥有的全部记忆。

能写、能找、能更新，也能删除，才算可管理的记忆。只有写入而没有遗忘机制，数据会越来越旧；只有检索而没有用户与数据集隔离，又会带来串库风险。

适合谁，也要看清不适合谁

客服 Agent、研究助手、代码助手和企业知识助理最容易看到收益：任务会跨天、资料彼此有关、同一事实会被多次调用。一次性问答、数据量很小或完全不能使用外部模型的项目，先上普通检索往往更省成本。

Cognee 可以本地运行，默认轻量存储也不要求单独部署数据库服务；图谱构建仍需要模型做实体与关系抽取，永久记忆的时间和调用成本高于会话缓存。真正的落地判断很简单：先挑一个会反复发生的任务，观察跨会话召回是否减少重复说明，再决定要不要扩大数据范围。